Dépasser le cas d’école du machine learning : prédire un score d’attrition et agir en conséquence

La prédiction de l’attrition (« churn » en anglais) est l’un des cas d’usages les plus fréquents de la data-science. Elle conduit souvent à l’instauration d’un score prédictif qui sert déclencher des actions marketings et commerciales.
La disponibilité de données historiques de clients, d’une part, et les coûts de rétention souvent plus faibles que les coûts d’acquisition, font de la prédiction de l’attrition l’un des premiers travaux d’une équipe de data-scientists.

One score to rule them all ?

Le cas de l’assurance où le portefeuille de clients doit rester équilibré est un cas particulier de l’application de la prévention de l’attrition. En effet, le départ d’une catégorie de clients conduirait au déséquilibre du portefeuille, nécessitant de modifier les tarifs, entraînant possiblement de nouveaux changements de la base de clients (par arrivées et départs de clients). Cette instabilité redoutée dans ce secteur particulier favorise la prévention de la résiliation, quitte à conserver des clients à risque ou peu rémunérateurs.
Plus généralement, les secteurs régis par abonnement et contrat font de la maîtrise de la résiliation un sujet essentiel. Il faut toutefois pouvoir comparer les efforts consentis, surtout lorsqu’ils deviennent récurrents, avec le revenu conservé.

La création d’autres indicateurs, notamment la prédiction de la valeur client soit à un horizon défini (du mois à l’année) soit sous forme de « lifetime value » permet de mettre en regard les dépenses liées à la rétention avec la perte de valeur associée pour l’entreprise.
Bien souvent, la perte de valeur associée à l’attrition n’est considérée que sous sa forme monétaire, car facilement quantifiable. Pourtant, des notions d’attractivité ou de taille critique peuvent aussi être incorporés.
Par exemple, l’attractivité d’une application communautaire dépendra de son nombre d’utilisateurs (réseau sociaux, jeux en ligne), afin de générer suffisamment de contenu. La valeur associée à un client dépasse alors simplement les revenus qui lui sont associés.

Comprendre les départs

Bien (trop) souvent la recherche de la performance d’un modèle se fait au détriment de l’interprétabilité de celui-ci. La création d’un modèle de machine learning dédié à l’attrition peut aussi être l’occasion d’interroger la donnée afin de mieux comprendre les raisons de départ. Même s’il faut garder à l’esprit la distinction entre corrélation et causalité, la création d’un modèle dédié peut permettre de détecter des signaux faibles.
En effet, si un facteur explicatif du résultat est le nombre d’appels passés au service client en soirée, alors que celui-ci est fermé, on peut se demander s’il n’est pas pertinent d’étendre les plages horaires du service pour réduire l’attrition.
L’adjonction d’un score d’appétence peut même être l’occasion d’augmenter le revenu d’un client tout en permettant de conserver un client. Si un client de banque cherche à partir car une offre concurrente répond à son besoin, lui proposer en avance de phase le produit répondant à son besoin permettra de le fidéliser et d’augmenter sa satisfaction.

Les limites du modèle

En reposant sur des données historiques, le modèle ne pourra prédire que des causes de départ déjà connues. L’arrivée d’un nouvel acteur sur le marché par exemple pourra modifier le comportement client.
La prise en compte de données extrinsèques (campagnes commerciales concurrentes, météo, …) permettent en partie de pallier ce problème. L’autre alternative étant l’utilisation de modèles apprenant en continu, plus à même à prendre en compte le changement rapide de comportements clients.
Enfin, il convient d’éviter l’écueil de la prophétie auto-réalisatrice. Il existe un avant et un après mise en place d’un modèle d’attrition, car son utilisation perturbe le système qu’il veut prédire: si des actions sont prises pour empêcher le départ d’un client et que celui-ci reste, faut-il attribuer cela à une erreur ou une victoire du modèle? La mesure de la performance d’un modèle post-mise en production est en soit un challenge qui peut être approché partiellement par des techniques d’A/B testing ou par mesure différentielle (avant-après, à supposer que l’on puisse prendre en compte les biais entre ces deux époques).

Conclusion

Trop souvent cantonné à son rôle de faire-valoir du machine learning, le score d’attrition ne peut se révéler son plein potentiel qu’en s’inscrivant dans un écosystème permettant une vision 360 du client.
En lui adjoignant d’autres indicateurs, tels que l’appétence produit ou la valeur client, il permet de rationaliser les dépenses. En effet, lors de missions clients, nous avons montré que la granularité de l’attrition au niveau produit ou au niveau client peuvent avoir différents usages. Un score d’attrition au niveau d’un contrat, utilisé intelligemment en conjonction d’un score d’appétence, peut permettre de transformer un effort commercial en opportunité de diversifier le portefeuille d’un client.

Auteur : Paul Deveau, Consultant Senior