Hanaa a été directrice marketing de L'Orient-Le Jour, quotidien francophone du Moyen-Orient. En tant que membre du comité de direction, elle a joué un rôle prépondérant dans l'élaboration de la stratégie digitale qui a permis à ce groupe de presse de réussir sa transition numérique.
Pour lutter contre le churn (ou l'attrition) nous appliquons souvent une politique qui vise à valoriser les offres existantes et à améliorer l'expérience client (en créant de nouveaux produits de plus en plus personnalisés, en optimisant et personnalisant le parcours, en détectant les départs involontaires liés au défaut de paiement…).
Mais savez-vous que la data science et l'IA peuvent être nos meilleurs alliés dans la lutte contre le churn ? Oui, ces technologies permettent de traiter efficacement cette tâche commerciale traditionnelle et nous aider à prédire (et donc prévenir) le churn. L'utilisation de l'IA peut donc devenir l'axe majeur de notre stratégie de fidélisation.
Comment cela se passe-t-il concrètement et comment pourrons-nous réussir ce grand défi ?
Les différents types de churn
Distinguons d'abord les différents types de churn et les stratégies qui nous permettent de lutter contre ces phénomènes avec des approches adaptées :
Le premier type de churn est involontaire, nous perdons l'abonné en raison de plusieurs facteurs qui échappent à notre contrôle direct (comme par exemple le refus d'une carte de crédit pour diverses raisons), nous pouvons palier à ce problème à travers plusieurs mesures techniques liées aux relances et aux méthodes de paiement.
Le deuxième type de churn est volontaire, dans ce cas l'abonné nous quitte délibérément. Concentrons-nous sur cet axe qui s'avère être le nerf de la guerre de notre politique de rétention.
Deux approches se présentent pour nous aider à réduire le taux lié à ce type de churn :
- Les Stratégies de rétention réactives avec des actions à posteriori : Ces efforts marketing sont souvent peu efficaces puisqu'ils sont réalisés trop tard, une fois que l'abonné a déjà pris sa décision
- Les Stratégies de rétention proactives avec une approche prédictive : En analysant les comportements des utilisateurs on peut mesurer l'état de la relation avec nos abonnés et agir au préalable afin d'éviter l'attrition en engageant des actions marketing adéquates. C'est justement à ce niveau que la data science et l'IA peuvent nous aider à obtenir des informations sur les facteurs qui contribuent au churn volontaire.
Rôle de la data science et de l'IA dans la lutte contre le churn volontaire
La data science permet d'analyser le comportement client afin de détecter les risques de churn et de déterminer des profils types des « churners ». Quant à l'intelligence artificielle, elle permet la création d'un modèle prédictif qui prend en compte la totalité des données recueillies pour nous permettre de :
- Dégager automatiquement les causes possibles du churn
- Segmenter les utilisateurs selon leur degré de fidélité (le Scoring)
- Définir les profils des clients fragiles.
Concrètement, la machine apprend à reconnaître les structures cachées dans les données liées aux comportements des utilisateurs pour parvenir à distinguer les deux catégories possibles : les churners et les non churners.
Quelles sont concrètement les démarches à accomplir
L'élaboration d'un modèle d'IA exige de bonnes compétences en science des données qui sont essentielles pour tirer une valeur réelle de la prédiction du churn.
Ces compétences comprennent :
- La Collecte et la préparation des données :
Il s'agit ici de l'étape la plus importante du processus, alors avant tout il faut se poser la question primordiale : recueillons-nous les bonnes données ? Une fois cette composante est clairement identifiée, nous passons à la préparation des données (la recodification, la création, la classification, la gestion des valeurs manquantes, la suppression des valeurs aberrantes…)
- La Data Analyse :
Dans cette étape nous explorons et analysons les statistiques suivantes :
- Statistiques descriptives : variables quantitatives et qualitatives
- Analyse factorielle pour caractériser un ensemble d'individus par des variables nominales
- Classification : Segmentation des clients en fonction de leurs caractéristiques communes
- Ingénierie des fonctionnalités : identifier les transformations statistiques nécessaires
- Formation et évaluation des modèles : sélectionner les meilleurs modèles dépendamment de leur pertinence
- Déploiement du modèle : sélectionner l'infrastructure et les outils pour mettre le modèle en production et le lier au CRM
- Mesures et analyses des résultats : Surveiller le rendement du modèle
- Amélioration continue
Le modèle d'IA apprend donc à prédire le churn compte tenu d'un ensemble complet de caractéristiques de l'utilisateur (comme l'âge, l'offre d'adhésion, la durée…). Cela signifie que pour chaque futur abonné, le modèle indiquera un score et classe les nouveaux abonnés dans la catégorie correspondante (churner/non churner).
Une fois le modèle préventif construit, nous pourrons l'utiliser pour collecter les données historiques et obtenir des informations commerciales précieuses.
Cela nous permettra d'identifier les irritants, les points faibles et les menaces à prendre en compte. Sur cette base, nous pouvons reconsidérer l'offre et renforcer notre politique de fidélisation.
