Problématiques client
L’UMR faisait face à un taux élevé de résiliation de contrats, dont près des deux tiers étaient maîtrisables. Le défi majeur consistait à passer d’une approche réactive à une approche proactive : identifier les adhérents à risque de résiliation, comprendre les motivations derrière ces départs et mettre en place des actions de fidélisation ciblées via les canaux les plus appropriés (mail, SMS, courrier ou téléphone).
Il s’agissait également d’intégrer ces prédictions directement dans les workflows existants pour que les équipes puissent agir rapidement et efficacement.
Objectifs
Anticiper les départs
Prédire l’attrition adhérent par adhérent avec une granularité trimestrielle afin de planifier des actions préventives.
Identifier les facteurs clés
Déterminer les variables et signaux les plus influents sur l’intention de résiliation pour guider les interventions.
Proposer des actions ciblées
Fournir des recommandations opérationnelles concrètes et exploitables pour réduire le churn tout en optimisant l’usage des ressources.
Automatiser et industrialiser
Mettre en place un pipeline récurrent de calcul et de réentraînement des scores pour garantir la mise à jour continue des modèles et recommandations.
Les contraintes du projet
Volumétrie et complexité
des données
Consolider de multiples sources internes et externes dans une Big Matrix centralisée et une Single Customer View sous Hadoop, tout en assurant la qualité et la cohérence des données.
Précision
des modèles
Développer des modèles de Machine Learning robustes capables d’identifier de manière fiable les adhérents à risque avec un taux minimal de faux positifs.
Intégration
métier
Faire en sorte que les prédictions et recommandations puissent être directement exploitées par les équipes opérationnelles dans leurs processus quotidiens.
Industrialisation
et répétabilité
Garantir que le calcul des scores et la génération de recommandations puissent être automatisés, mis à jour régulièrement et intégrés dans un processus pérenne pour une utilisation à long terme.
Notre approche pour UMR
01
Diagnostic et structuration des données
Évaluation des outils et organisation du Datalab, définition des besoins pour constituer une Single Customer View et préparation des données dans Hadoop.
02
Construction de la Big Matrix
Agrégation des données internes et externes, normalisation, nettoyage et automatisation des pipelines pour constituer le dataset d’entraînement.
03
Développement et entraînement du modèle
Création de l’algorithme Predictor Attrition, identification des variables clés, tests itératifs et back testing pour valider la performance prédictive.
04
Industrialisation et recommandations métier
Mise en place du pipeline de réentraînement et de restitution des scores, identification des adhérents à risque par trimestre et élaboration de recommandations actionnables pour réduire l’attrition.
Nos résultats
3000
3 000 adhérents identifiés chaque trimestre comme susceptibles de résilier.
5%
5 % d’attrition régulée grâce aux actions ciblées basées sur les recommandations.
10
10 variables clés identifiées, alimentant les stratégies de rétention.
100 %
Pipeline automatisé pour le calcul, la mise à jour et la restitution des scores.
Impact global
L’UMR a transformé sa capacité à anticiper les résiliations : chaque adhérent est évalué individuellement, les recommandations sont actionnables, et les équipes disposent d’un outil industrialisé et automatisé, garantissant un suivi proactif et une réduction mesurable de l’attrition.
