Problématiques client
MACSF souhaitait mieux exploiter son portefeuille de sociétaires inactifs afin de détecter ceux susceptibles de réaliser des versements sur leurs contrats d’épargne. Le défi était de passer d’une approche aléatoire ou globale à un ciblage individuel précis, capable de hiérarchiser les sociétaires selon leur probabilité de réengagement, tout en garantissant la robustesse et l’explicabilité du modèle.
Objectifs
Qualifier les sociétaires dormants
Identifier les profils inactifs présentant un potentiel de versement.
Modéliser l’appétence individuelle
Construire un scoring prédictif binaire indiquant la probabilité de versement pour chaque sociétaire.
Mesurer l’impact opérationnel
Tester et valider le scoring via un AB testing comparant les résultats des sociétaires ciblés aux sélectionnés aléatoirement.
Faciliter l’adoption métier
Développer une application de scoring et un guide d’utilisation pour les équipes marketing et relation client.
Les contraintes du projet
Notre approche pour MACSF
01
Cadrage et priorisation des cas d’usage IA
Définition de la cible, des indicateurs de succès et du périmètre des sociétaires dormants à scorer.
02
Préparation et analyse des données
Inventaire, nettoyage et mise en qualité des données provenant de plusieurs sources.
03
Modélisation prédictive et explicabilité
Développement du scoring binaire, comparaison de plusieurs modèles, évaluation avec F1-score, lift curve et cumulative gains, intégration de mécanismes d’explicabilité.
04
AB testing et déploiement opérationnel
Mise en place d’une application métier pour utiliser le scoring, lancement de l’AB testing et analyse des résultats pour mesurer l’impact réel sur les versements.
Nos résultats
Impact global
Le scoring d’appétence a transformé la manière dont MACSF cible ses sociétaires dormants : les campagnes marketing sont désormais individualisées et optimisées, maximisant le retour sur les efforts de réengagement tout en renforçant la connaissance client.
