En utilisant l’analyse prédictive des données, il est aujourd’hui possible de faire baisser considérablement le taux d’attrition. Ce nouvel outil permet ainsi aux entreprises de pouvoir anticiper les comportements des utilisateurs, mais également de mesurer la relation client. Grâce à ces données, l’entreprise peut, en amont, lancer des actions afin de prévenir des départs.

Le churn, ou attrition, est une problématique commune à toutes les entreprises. Le contexte économique actuel, marqué par une concurrence accrue et une plus grande influence des consommateurs, rend cela encore plus complexe. Effet de la loi Hamon sur la consommation, résultat de la multiplication des canaux de vente et de la diversification des motivations d’achat, le comportement du consommateur actuel est davantage sujet aux variations et au churn. Or les entreprises ont tendance à se fier à la méthode classique devant cette éventualité : remplacer les clients perdus par de nouveaux clients ou tenter de récupérer les clients sur le départ après qu’ils aient signifié leur intention de partir.

Des méthodes qui impliquent une stratégie de reconquête coûteuse et souvent chronophage : e-mailing, achat d’espaces publicitaires, cadeaux d’accueil, primes et augmentation de salaires pour les commerciaux, campagnes sur les réseaux sociaux, etc. Il existe pourtant un moyen de s’épargner le gouffre que cela peut représenter : l’anticipation par l’approche prédictive.
Nous vivons une révolution dans le traitement de l’information. Souscriptions en ligne, interactions sur les réseaux sociaux, applications digitales, parrainages et autres opérations destinées à rester en lien avec la clientèle sont désormais de précieuses sources de données dématérialisées pour les entreprises. Elles fournissent des informations d’une valeur inestimable sur les comportements et les motivations de souscription ou d’achat. De la matière en or pour élaborer, grâce à la science des données, un modèle de prédiction propre à chaque entreprise et agir en amont contre le churn.

Définir les profils types et identifier les « churners »

Le churn correspond au désabonnement d’un client à un service. Les outils d’abonnement et de CRM en ligne facilitent, à travers la prédiction, la détection d’une éventuelle perte de clients, et d’identifier les « churners ».
Cela est évidemment valable pour les entreprises qui pratiquent l’abonnement ; dans le cas contraire, il s’agira de se servir des modèles prédictifs pour surveiller le comportement des clients et de déterminer des profils types afin de détecter les risques de churn.
Le modèle prédictif prend en compte la totalité des données disponibles, ce qui lui permet de dégager automatiquement les causes possibles du churn. Commentaires, fréquence des résiliations, fréquence d’achats et nouveaux achats sont des exemples de données quantifiables et essentielles. Le modèle prédictif est conçu sur la base d’outils statistiques et mathématiques, et s’appuie sur le machine learning afin de déterminer les paramètres de variation des comportements clients. Il est important de tenir compte de cette dernière variable pour segmenter les clients selon leur degré de fidélité et de rentabilité.

Une exploitation optimale des données

Grâce à une modélisation précise, on peut définir les usages et distinguer les early adopters, davantage sujets au churn, des clients occasionnels ou fréquents. Le machine learning permet d’élaborer un modèle de prédiction propre à l’entreprise. Les données ainsi collectées permettront ensuite d’établir des courbes correspondant aux parcours clients et aux grandes tendances d’utilisation des services. Outre les informations possédées par l’entreprise, cette dernière gagnera à s’intéresser au comportement général de ses clients en ligne. Les réseaux sociaux sont une mine d’information précieuse pour cela : nous y renseignons nos préférences, nos centres d’intérêt, notre opinion sur les politiques d’abonnement ou de fidélité des concurrents, mais aussi nos réticences et nos avis sur la marque et ses services. Sans que cela bascule vers une surveillance suspecte, la simple consultation des données liées à l’entreprise permettra de calculer le risque de churn avec une grande précision avec le modèle prédictif. Il faudra cependant être réactif en veillant à prévoir un temps d’action suffisant pour les actions de rétention en amont.

Court-terme et long-terme : deux visions complémentaires

L’entreprise qui désire réduire son taux de churn et prédire les risques a tout intérêt à adopter une double vision, à court à et à long terme.
La mise en place d’actions à court terme permet d’obtenir des résultats rapides et de renouveler l’intérêt des clients. Il peut s’agir d’appels téléphoniques, d’e-mailing, de jeux-concours, de coupons de réduction, ou encore d’un sondage à la fin du parcours d’un client, pour déceler les causes du départ ou recueillir des avis. En fonction des réponses au sondage, on peut ainsi adapter l’offre dans la mesure du possible.

Quant aux actions à long terme, elles agissent en profondeur sur la stratégie de l’entreprise, en permettant à celle-ci de remettre en cause et d’améliorer le parcours client qu’elle propose. On peut ainsi raccourcir un parcours d’achat trop laborieux, susceptible de décourager et de conduire au churn. On peut également vérifier que l’offre rencontre la bonne demande, et préciser les termes de l’abonnement afin d’éviter les souscriptions accidentelles.
Le process de prédiction doit être établi en plusieurs étapes : une phase de construction du modèle à partir d’un ensemble de données, une phase de modélisation, et enfin une phase test de l’approche à mettre en place. Inscrite dans la durée, la prédiction du churn peut même faire évoluer le comportement des clients et mettre en évidence de nouveaux motifs de churn, une nouvelle occasion pour l’entreprise d’améliorer son offre et d’adapter ses services.

La data science fournit aux entreprises un outil marketing de premier ordre pour aller au-delà de l’anticipation du churn : la modélisation des actions et la mesure de l’intensité de la relation client. En adoptant un process d’actions propre à chaque motif de churn, et en soignant en profondeur sa relation client, l’entreprise gagne en réactivité et en capacité d’analyse et d’interprétation des données. Elle peut ainsi mieux satisfaire ses clients, prévenir leur départ avec plus d’efficacité. Le ROI en termes d’acquisition et de fidélisation s’en ressent plus rapidement.

 

 

 

____________
Thomas Cabrol est co-fondateur et Chief Data Scientist, Dataiku