YuppTVStreaming

Comment YuppTV détecte l'intention de churn suffisamment tôt pour changer le résultat

+18%

retention · mesuré par rapport à un holdout randomisé

En bref

Les annulations de YuppTV étaient décidées bien avant le bouton d'annulation. Markin lit la baisse de la profondeur de visionnage, l'adéquation au catalogue et la friction de paiement qui la précèdent, et agit tant que le résultat est encore modifiable, augmentant la rétention de 18 % sur les cohortes traitées par rapport à un holdout randomisé.

Résultats

Chaque décision comporte un groupe de contrôle

+18%

Rétention sur les cohortes traitées

vs holdout randomisé, fenêtre de mesure complète

-27%

churn involontaire

récupérations d'échecs de paiement gérées comme une décision, non comme une séquence de relance

+9%

ARPU

grâce à l'adéquation du plan, et non à l'augmentation des prix

Plage anonymisée sur l'ensemble des déploiements Markin dans de grandes bases B2C, lue sur une fenêtre de mesure complète. Il ne s'agit pas d'un benchmark sectoriel ni d'une prévision pour ta base.

En un coup d'œil

Secteur: Streaming / OTT
Marchés: Audience de la diaspora mondiale
Base: Des millions d'abonnés à travers différents niveaux de forfaits
Mouvements en direct: Prévention du churn, adéquation du plan, relance, win-back
Pile: Warehouse, product events, Braze, Recurly, contact centre
Premier uplift mesuré: Semaine 7

Le défi

YuppTV connaissait son churn rate au dixième près et ne pouvait presque rien y faire. Le modèle signalait les abonnés à haut risque la dernière semaine du cycle, alors que la décision était déjà prise et que le seul levier restant était une réduction.

Le signal réel était plus précoce et plus discret : la profondeur de vision chutant sur le contenu qui a motivé l'abonnement original, un passage à des sessions plus courtes, une carte défaillante non résolue, un plan contenant des chaînes que personne dans le foyer ne regardait.

Ces signaux vivaient dans différents systèmes, évoluaient constamment et nécessitaient une action différente à chaque fois. Une campagne de retention les traite tous comme une seule audience et paie pour ceux qui n'allaient jamais partir.

Ce que Markin a fait

Data and context, intelligence, action

01 / Données et contexte

Visualisation, facturation et support dans une seule vue

Markin lit les événements de lecture, les métadonnées du catalogue, l'historique des forfaits et l'état des paiements directement depuis les systèmes de YuppTV, de sorte que les signaux d'intention sont évalués ensemble au lieu d'un tableau de bord à la fois.

02 / Intelligence

Intention, pas un score de risque

Plutôt que de noter tout le monde chaque semaine, la couche d'intelligence forme des hypothèses sur la raison pour laquelle un foyer spécifique se désengage, évalue chacune d'elles et propose une action qui correspond à la cause : catalogue, plan, prix ou paiement.

03 / Action

L'action la moins chère qui fonctionne

Recommandations de contenu, changements de plan, mises à jour de carte et, seulement quand rien d'autre n'atteint le seuil, une offre de rétention. Chaque action est exécutée avec un holdout, afin que YuppTV puisse voir ce qu'un rabais a réellement acheté.

Expérimentations exécutées

Hypothesis to measured lift

Hypothèse	Segment	Action	Channel	Uplift mesuré
Les abonnés se désengagent lorsque le contenu qui les a acquis prend fin	Foyers avec une baisse de plus de 40 % de la profondeur de visionnage hebdomadaire	Ré-onboarding du catalogue autour de titres adjacents, sans offre	Ligne Push + in-app	+11 % de rétention
Le churn involontaire est un problème de decisioning, pas un problème de recouvrement	Paiements échoués avec engagement élevé	Mise à jour de la carte synchronisée avec une session de visionnage, nouvelle tentative planifiée autour du jour de paie	In-app + SMS	-27 % de churn involontaire
Certaines annulations sont dues à une inadéquation du plan, pas à une intention de départ	Abonnés utilisant un tiers de leur niveau	Déclassement offert avant annulation, mise à niveau pour ceux qui surconsomment	Compte + e-mail	+9 % d'ARPU
Les offres de réduction généralisées paient pour les abonnés qui seraient restés de toute façon	Alertes à haut risque avec visionnage stable	Retenir l'offre, mesurer par rapport au contrôle	Aucun	Dépenses de réduction réduites, rétention inchangée

Comment cela a été déployé

Semaine 0
Signaux connectés
Données de lecture, de facturation et de support connectées en lecture seule. Annulations historiques rejouées pour trouver les signaux qui les précèdent réellement.
Semaine 3
Première motion en ligne
Le ré-onboarding du catalogue est activé sur le signal de désengagement, avec un holdout sur chaque décision.
Semaine 7
Premier uplift lisible
La rétention affiche +11 % sur la cohorte traitée. Les offres génériques de maintien sont retirées pour n'avoir pas réussi à battre le contrôle.
Semaine 12
Quatre motions en production
Prévention du churn, adéquation du plan, relance et win-back en continu, avec des résultats comparés au contrôle chaque semaine.

Selon leurs mots

“Nous avons arrêté de payer pour garder les abonnés qui ne partiraient jamais, et avons commencé à atteindre ceux qui le feraient.”

Responsable de la rétention, YuppTV

La stack avec laquelle Markin a travaillé

No migration, no new system of record

Questions posées par les acheteurs à propos de ce cas

En quoi est-ce différent d'un modèle de prédiction de churn ?

Un score te dit qui est à risque. Il ne te dit pas pourquoi, quoi faire, ni si l'action a fonctionné. Markin formule une hypothèse par foyer, choisit l'action candidate la moins coûteuse qui s'attaque à la cause et la prouve contre un holdout.

How was the YuppTV result measured?

Chaque décision comporte un holdout randomisé. L'uplift cité est la différence entre la cohorte traitée et ce groupe de contrôle sur une fenêtre de mesure complète, et non une comparaison avant-après.

Ont-ils dû déplacer leurs données vers Markin ?

Non. Markin lit à partir du data warehouse, du CDP et des événements produit déjà en place. Rien n'est copié dans un nouveau système et rien n'est verrouillé.

Quelle équipe l'a géré au quotidien ?

L'équipe growth existante. Markin effectue le travail analytique, une équipe streaming de cette taille nécessiterait un pôle data-science dédié pour le produire, et achemine chaque action vers les outils qu'elle opère déjà.

Combien de temps avant le premier uplift mesurable ?

Une première motion est mise en ligne en environ 30 jours et le premier résultat statistiquement lisible arrive dans les six semaines suivantes. L'impact à l'échelle se lit généralement à 90 jours.