Le Machine Learning au secours de la réduction de l’attrition

Nombre d’études font état des coûts élevés de l’acquisition Client, comparés à ceux de la rétention : le ratio de 1 à 5 est ainsi souvent avancé. Il est donc très tentant de chercher à réduire son taux d’attrition (« churn rate ») en menant des actions marketing pertinentes visant à (re)fidéliser, via le bon canal, au bon moment. A l’heure où la disponibilité de données historiques détaillées s’est très largement généralisée, la maximisation du taux de rétention constitue un cas d’étude de choix pour les équipes de data-scientists ! Si les secteurs d’activité régis par abonnements et contrats font de la maîtrise de la résiliation un sujet essentiel, tout acteur du Retail souhaitant maximiser la valoriser des données e-commerce est désormais également concerné.

De l’intérêt de l’IA dans la prévention de l’attrition

Le plus souvent, cette problématique se voit adressée via l’instauration d’un score prédictif qui sert à déclencher des actions marketing et commerciales. Ainsi, il s’agit de rapprocher un maximum de données Clients fiables issues de l’ensemble des canaux. Un dataset type pourrait par exemple inclure :

  • Données générales et démographiques (âge, sexe, lieu de résidence, …)
  • Historique (produits consultés, commandés)
  • Données de navigation (campagnes marketing adressées, réponses & comportement digital)
  • Suivi des visites et achats en boutique le cas échéant
  • Données externes (campagnes commerciales concurrentes, météo, …).

Sur la base de ces éléments, le questionnement peut alors être rationalisé en un problème algorithmique binaire : quelle succession d’événements a entraîné le « départ » de l’abonné, ou au contraire, quels points de contacts (« touch points » marketing) ont su susciter un acte d’achat. Et les modèles de Machine Learning, sous réserve de disposer de données historiques suffisamment fiables et nombreuses, ont déjà largement prouvé leur capacité à y répondre !

L’explicabilité, l’autre enjeu clé…

La recherche de la performance d’un modèle peut se faire au détriment de l’interprétabilité des résultats. Or, dans le cas de l’attrition, il s’agit aussi d’interroger des silos de données dans le but de mieux cerner les raisons de la rupture de la relation commerciale. Par exemple, si un facteur explicatif du résultat s’avère être le nombre d’appels passés au service client en soirée, alors que celui-ci est fermé, peut-être faudra-t-il se demander s’il n’est pas pertinent d’étendre ses plages horaires pour réduire les départs.

Une approche globale (souvent appelée « Customer 360 ») permet de démultiplier les retombées

L’adjonction d’un score d’appétence peut également être l’occasion d’augmenter le revenu d’un client : une micro segmentation adéquate permettra en effet de maximiser le service en proposant  – en avance de phase – une offre répondant à son besoin. Satisfaction, fidélité (et chiffre d’affaire) se voient alors du même coup renforcées !