Prevision.io pour prédir le Churn / taux Attrition Client

Prevision.io

Dans un monde toujours plus concurrentiel, savoir anticiper le taux d’attrition (=nombre de client perdus/nombre de clients total) est un indicateur très important. En effet, la fidélité des clients impact directement la rentabilité de l’entreprise et le taux d’attrition doit être suivi régulièrement car celui-ci est particulièrement important. Grâce à des programmes d’intelligence artificielle et des outils de machine learning automatisé tel que Prevision.io, analyser le comportement des clients et mieux anticiper ceux qui risque de quitter l’entreprise devient rapide et sans efforts.

Problématique client

Un acteur public en situation monopolistique dispose d’une quantité importe de clients sur le marché des particuliers. Au moment de l’étude, la société disposait de plusieurs millions de clients, un des portefeuilles les plus volumineux de France.

Néanmoins, l’ouverture à la concurrence a aiguisé les appétits et a entraîné l’apparition d’offres plus avantageuses en terme financier. Ces offres, accompagnées de procédures simplifiées, accélèrent le changement de prestataire chez une proportion importante de la clientèle.

Avant Prevision.io

La société perdant un nombre significatif de clients chaque année la prévision de churn est cas d’usage stratégique. Ceci explique qu’un algorithme a été développé par les équipes de data science de la direction commerciale.

Cet algorithme repose sur un ensemble de données clientèles, qu’elles soient statiques ou non : âge, sexe, logement, ancienneté, type d’offre, problèmes de paiement… La modélisation consiste à prédire si au cours des prochains mois l’individu va partir chez un concurrent. Il s’agit donc d’une classification binaire (oui/non), adressée historiquement avec des régressions logistiques assez classiques, nécessitant de nombreux pré-traitements sur les variables.

Avec Prevision.io

Il n’est plus nécessaire d’appliquer tous les pré-traitements qu’une régression logistique attend. En effet, le module de features engineering de l’outil s’en charge. De plus, le recours à des techniques de modélisation plus avancées ont permis de scorer beaucoup plus précisément la probabilité de départ à la concurrence mais également d’apporter des éléments de compréhension sur les raisons de cette attrition. En effet, les outils de visualisation de la plateforme permettent une interprétabilité des résultats à la maille individuelle.

Gains client

Les gains sont doubles. D’un côté, le pouvoir prédictif du modèle étant supérieur à celui mis en place par les équipes, les prédictions permettent de mieux isoler les populations à risque afin de reprendre contact avec elles pour la mise en place d’actions marketing. Autre problématique résolue : celui du passage en production. Les équipes data ont rencontrées de nombreux obstacles lors du passage en production de modèles développés initialement en R, là ou les modèles créés par Prevision.io sont directement accessibles via API.

Autres applications

Le Churn est un sujet stratégique chez beaucoup d’entreprises, mais d’autres sujets marketing similaires peuvent être traités avec la même approche. Nous pouvons par exemple citer le cross-sell : proposer au moment de l’acte de vente ou plus tard, la vente d’un produit complémentaire à celui acheté, permettant l’augmentation du chiffre d’affaires par le biais d’une augmentation du panier moyen (ARPU).

Arnold -

Our Latest
News