Anticiper l attrition client avec Predictive Analytics, ce n’est pas sorcier !

Il est bien plus coûteux de trouver de nouveaux clients que de conserver son portefeuille existant, la maîtrise de l’ attrition clients (Taux de départ, appelé “Churn” par les Anglo-saxons) est donc primordiale pour les entreprises.

Cependant mettre en place des modèles de détection/prévision de départ client s’avère complexe sans maîtrise des modèles statistiques ou coûteux si l’on a recours à un spécialiste (le fameux Data Scientist).



L’objectif de cet article est de réussir à identifier les clients présentant un risque de départ, sans pour autant manipuler de modèle statistique complexe.



Pour ce faire, nous exploiterons les données CRM d’un opérateur mobile américain, en effet le secteur des télécommunications est un exemple type dans le suivi de l’attrition client, où les abonnés sont connus pour passer régulièrement d’un opérateur à un autre.


Exploration de données :



Pour débuter, nous avons eu recours à des outils de data visualisation (SAP Lumira).

Afin de mieux comprendre les origines des départs clients de notre opérateur mobile, nous nous sommes d’abord intéressés aux différents axes d’analyses à notre disposition.



Notre première intuition, nous amène vers la satisfaction des clients vis à vis de notre opérateur mobile.

Pour mesurer celle-ci nous prendrons le « Nombre d’appels passés au service client ».



ATT_1

Ce graphique représente le Nb Départ/ Nb client en fonction du nombre d’appels.





Comme nous pouvions nous en douter l’attrition (Nb Départ/Nb Client) augmente très fortement avec le nombre d’appels passés au service client. Aux delà de 4 appels, le client est probablement insatisfait, et présente un risque très important de départ.



Cependant cette variable ne suffit pas à elle-même pour expliquer l’attrition, en effet 72% des départs ont été constaté sur des clients qui ont passé moins de 3 appels.



Nous nous sommes tournées vers d’autres facteurs pouvant expliquer les départs, à commencer par la localisation.

En effet un facteur géographique pourrait expliquer un nombre important de départ, par exemple si la qualité du réseau de mon opérateur mobile est variable d’une région à une autre, ou encore à cause de concurrents locaux.





ATT_2

Ce graphique représente la répartition géographique du score d’attrition.




Le score d’attrition varie fortement entre les différents états, celui-ci est particulièrement élevé en Californie et à Washington, alors qu’il est beaucoup plus faible en Virginie et en Alaska. Nous pouvons donc penser que le facteur géographique joue un rôle dans l’attrition chez notre opérateur.



Ensuite nous nous sommes tournés vers le prix payés par les clients : Les prix pratiqués par notre opérateur mobile ne sont pas forcément en adéquation avec le marché.




ATT_3

Ce graphique représente le Nb Départ/Nb client en fonction du montant de la facture.




Dès qu’une facture dépasse les 50$ par mois, le score d’attrition devient très important.



L’étude de l’attrition client en fonction de nos différents axes d’analyses nous a donc permis d’identifier intuitivement des causes probables de départ client. Cependant nous ne connaissons pas le comportement des variables ensembles :


Est-ce qu’un client qui n’est pas satisfait du montant de sa facture va appeler le service client pour négocier les tarifs ?


Pour essayer de visualiser les relations existantes entre nos axes d’analyses, nous avons utilisé un Heat Map qui nous permet de projeter un indicateur en fonction de plusieurs facteurs.




ATT_4

Ce graphique représente le score d’attrition en fonction du montant de la facture et du nombre d’appels au service client.




On constate que les clients qui sont partis après plus de 4 appels au service client, l’on fait quel que soit le montant de leur forfaits. Inversement, les clients partis avec un forfait à plus de 50$, l’on fait quel que soit le nombre d’appels passés au service client.



Bien que l’exploration de données nous ait apporté de nombreuses informations sur les caractéristiques des clients partis, cette démarche est plutôt hasardeuse (dans la sélection des variables), et très vite complexe si nous multiplions le nombre de variables (un Heat Map avec plus de 3 facteurs devient très vite illisible).



Cette démarche devient donc très vite inappropriée, et nous devons recourir à d’autres méthodes et outils plus adaptés pour ne pas se baser sur une simple intuition.




SAP Predictive Analytics : simple et efficace



Predictive Analitycs, comme son nom l’indique est un outil d’analyse prédictive, destiné à des utilisateurs métiers (donc non statisticiens), et est à mettre en œuvre des modèles de prédiction.

Sur la base du même jeu de données nous allons essayer de mettre en place un modèle de prévision avec Predictive Analytics.



Dans un premiers temps, il faut indiquer au système la variable cible: variable que l’on souhaite prédire.

Dans notre cas il s’agit de la variable “NB_Départ” qui indique si le client est parti.

Puis il faut exclure les variables qui ne nous seront pas utile dans notre analyse (les identifiants par exemple ne nous apportent aucune information).




Une fois cette étape terminée il ne nous reste plus qu’à générer le modèle de prévision.



ATT_6



Après la génération du modèle, on peut voir que la variable la plus importante pour prévoir le risque de départ est le temps passé au téléphone, puis le nombre d’appels au service client (contrairement à ce que l’on a supposé précédemment).



En ce focalisant sur le temps passé au téléphone, on constate que les clients qui passent plus de 286 minutes par mois au téléphone, présentent un risque important de départ.




ATT_7




L’arbre de décision nous permet de comprendre la structure du modèle de prévision.
Par exemple un client qui as passé plus de 286 min au téléphone, qui a passé plus de 4 appels au service client, et s’il n’a pas souscrit d’option de messagerie vocale présente un risque de départ de 81%.



Dès qu’un utilisateur présentera ces caractéristiques, le modèle de prévision détectera que le client présente un risque important de départ. Notre société de télécommunication sera donc à même de réagir avant le départ de ce client, en lui proposant par exemple une offre plus adapté a son besoin.



On peut dès à présent “s’amuser” à simuler les caractéristiques d’un client et s’avoir s’il présente un risque de départ.



ATT_8



Par la suite le modèle de prévision généré, peut être sauvegardé et réutilisé sur de nouvelles données. Ainsi, notre opérateur de téléphonie mobile peut automatiser la détection des clients à risque directement sur son CRM à l’aide du modèle que nous venons de génerer et mener des actions préventives pour limiter le nombre de départ vers un autre opérateur.








Laisser un commentaire