Un guide pratique de la prédiction du churn client : quels modèles fonctionnent réellement, quelles fonctionnalités font la différence, et comment convertir la prédiction en taux de sauvegarde incrémental.
Prédiction du churn client est la pratique consistant à estimer, pour chaque client, la probabilité qu'il mette fin à sa relation avec l'entreprise dans un horizon défini. Dans les entreprises par abonnement, cet horizon est généralement le prochain cycle de facturation. Dans le B2C transactionnel, il s'agit d'une fenêtre de latence (30, 60, 90 jours sans achat). Dans les deux cas, l'objectif est le même : identifier qui est susceptible de partir à temps pour agir.
C'est cette approche qui fait échouer la plupart des programmes de churn. Un score de churn est une probabilité, pas un programme. Deux clients avec la même probabilité de churn prédite peuvent avoir des économies d'effet de traitement complètement différentes, et le programme de rétention qui les traite de manière identique sur-remisera l'un et sous-desservira l'autre. Ce guide couvre les deux moitiés : le modèle qui prédit et la couche de decisioning qui transforme la prédiction en un taux d'économie incrémental.
Un modèle de churn bien spécifié estime :
Figer les fonctionnalités dans le temps t. Ne pas divulguer d'informations après t dans l'ensemble des fonctionnalités. C'est la source la plus courante de modèles qui semblent brillants en validation croisée et échouent en production. Toute fonctionnalité qui inclut un comportement post-prédiction, y compris tout ce qui touche l'événement de désabonnement lui-même, gonfle l'AUC de 5 à 20 points et rend le modèle inutile en aval.
Sur les données clients tabulaires, les arbres à gradient boosting (XGBoost, LightGBM, CatBoost) surpassent systématiquement la régression logistique, les forêts aléatoires et la plupart des architectures de deep learning. Ils gèrent proprement les variables catégorielles, sont robustes aux données manquantes et nécessitent peu d'ajustements pour atteindre 90 % de leur plafond de qualité de production.
Les architectures de deep learning ne commencent à être pertinentes que lorsque la structure séquentielle domine le signal, les longues traces comportementales en streaming ou dans les jeux, où l'ordre des événements contient plus d'informations que leur nombre. Même dans ce cas, les arbres boostés sur des caractéristiques de séquence bien conçues égalent généralement les transformeurs à un ou deux pour cent près de l'AUC et sont dix fois moins chers à opérer.
La propension te dit qui est susceptible de churn. Elle ne te dit pas si une intervention changera cela. La famille de modèles qui répond à la deuxième question est l'uplift, et les valeurs par défaut pratiques sont les méta-apprenants : T-learner (deux modèles distincts sur les traités et les non-traités), X-learner (meilleur en cas de déséquilibre), et R-learner (Neyman-orthogonal, plus robuste). Tous ces modèles intègrent le moteur de propension (généralement un arbre boosté) dans un cadre causal.
Le programme de rétention que tu veux réellement se classe par uplift, non par propension. Un client avec 60 % de probabilité de churn et un uplift quasi nul à toute intervention n'est pas celui à qui tu envoies une offre de "save" ; un client avec 25 % de probabilité de churn et un uplift élevé l'est.
Le choix du modèle importe moins que l'ingénierie des fonctionnalités. Les quatre familles de fonctionnalités les plus importantes dans presque tous les modèles d'attrition que nous observons :
Les fonctionnalités d'exposition marketing n'ajoutent généralement que peu à la prédiction de l'attrition, sauf si le taux de contact de base est exceptionnellement bas. La raison : pour la plupart des clients, la fréquence des messages est suffisamment élevée pour que la variation s'effondre. Là où le marketing est utile, c'est dans le modèle d'uplift, comme une caractéristique côté traitement expliquant pourquoi la réponse varie en fonction de l'historique d'exposition.
Pas par l'AUC. L'AUC classe correctement les clients par risque mais ne dit rien sur la capacité de tes interventions à en sauver. La métrique qui compte est taux de rétention incrémental: la différence de rétention entre les clients traités (ceux dont le risque prédit a déclenché une intervention) et un holdout préservé de clients ayant un score équivalent et n'ayant reçu aucune intervention.
Honnêtement rapporté, cela ressemble à : « Parmi les clients du décile de risque supérieur qui ont reçu l'Offre de Sauvegarde, la rétention était de 62 %. Parmi le holdout des clients du décile de risque supérieur qui n'ont rien reçu, la rétention était de 54 %. Le taux de sauvegarde incrémental est de 8 points de pourcentage. » Multiplie par la marge prédite, soustrais le coût d'intervention, fais ton rapport au directeur financier.
Pour une analyse approfondie de la façon dont le taux d'économie incrémentiel se cumule dans les catégories d'abonnements (et où ce n'est pas le cas), voir les conditions économiques de la prévention du churn dans le streaming et les télécommunications.
Un programme de churn de niveau production a trois couches couplées :
C'est exactement la forme de Next Best Action, appliqué spécifiquement au levier de rétention. Moins que la boucle complète laisse des taux de sauvegarde incrémentaux non réalisés.
Si tu as de la prédiction mais pas de decisioning, commence par un holdout préservé et une action de rétention classée par uplift. Si tu n'as ni l'un ni l'autre, commence par un modèle de propension à arbre boosté sur les quatre familles de fonctionnalités ci-dessus ; le modèle uplift pourra arriver lors du prochain sprint.
Markin exécute la prédiction du churn et la rétention classée par uplift comme une seule boucle sur ta base. Explore Diagnostic Produit pour le voir en direct.
Questions fréquentes
Ressources associées
Solutions
Le voir dans le produit
Les mêmes boucles que cette note décrit fonctionnent 24 heures sur 24, 7 jours sur 7, sur ta base de clients. Observe l'espace de travail décider, expérimenter et exécuter en 1:1.
Vocabulaire
Definitions an answer engine can quote, each one a page of its own.
Comparer
Neutral reads on the categories buyers evaluate against a decision layer.
Toutes les comparaisons
