Prédiction de l’attrition. Comment anticiper le risque de churn d’un consommateur ?

Abstract

Assurer une croissance pérenne pour son entreprise nécessite la meilleure stratégie d’acquisition ainsi qu’une stratégie de customer engagement performante.
Les tactiques média permettront de gérer des leads, la stratégie CRM, quant à elle, permettra de les convertir en clients et garantir leur loyauté.

Cependant, vos investissements médias sont limités par le montant que vous êtes prêt à investir pour acquérir un nouveau client.

Dès lors, pour s’offrir un plan média ambitieux et à fort impact, il faut avoir la capacité de se permettre un coût d’acquisition plus élevé. Et suivant la même logique, pour se permettre un coût d’acquisition plus élevé, il faut générer davantage de marge avec chaque client, ou autrement dit, augmenter leur LifeTime Value (LTV).

Pour augmenter la LTV des clients, il faut se concentrer sur les 3 axes suivants  :

  • l’augmentation de la fréquence d’achat
  • l’augmentation du panier moyen
  • l’augmentation de la fidélité du consommateur ( répétition d’achat )

La science des données est un formidable outil pour définir, enrichir et optimiser les stratégies capables de faire croître la LTV de vos consommateurs.

Méthode

Dans cet article nous allons nous concentrer sur le dernier pilier, à savoir, comment prédire un risque de churn de vos clients, en vue de mettre en place les actions pour augmenter les chances que le client renonce à son “churn”.

Notre stratégie : bâtir une méthode et exploiter un algorithme de prédiction sur le modèle BTYD (Buy Till You Die)

La méthodologie utilisée pour évaluer la probabilité d’attrition de vos clients est modélisée sous forme d’algorithme dans R ou Python. Il existe plusieurs modèles capables d’évaluer la probabilité d’attrition de vos clients. Ceux-ci sont issus de la famille de modèles BTYD (Buy Till You Die) qui mettent en place des méthodes statistiques avancées afin de prédire le comportement de futurs clients dans un contexte non-contractuel.

Contrairement à une relation contractuelle (dans laquelle le départ du client doit être annoncé), dans le contexte non-contractuel, il n’est pas possible de savoir avec certitude lorsqu’un client “quitte” l’entreprise car son départ n’est pas observable. En effet, il ne peut pas être identifié si un client est entre deux achats ou si celui-ci a définitivement churné.

Pour refléter l’incertitude du contexte non-contractuel, les modèles BTYD assignent une probabilité d’être “vivant” (de faire encore un achat dans le futur) à chaque client en fonction de l’historique d’achat des clients. L’idée est illustrée par les deux exemples suivants :

Exemple 1 : Client A achète régulièrement des produits à notre entreprise. Sa fréquence d’achat moyenne est de 3 mois. Ainsi, le modèle BTYD comprend que le client fait un achat en moyenne chaque 3 mois. Si celui-ci a fait son dernier achat il y a 1 mois, le modèle n’y voit rien d’inquiétant et lui assignera une probabilité d’être vivant assez importante. Par contre, si celui-ci n’a pas fait d’achat depuis 6 mois, le modèle comprendra que quelque chose d’anormal dans son comportement d’achat s’est produit et lui assignera une probabilité d’être vivant nettement plus petite.

Exemple 2 : Client B achète moins régulièrement des produits à notre entreprise que le Client A. Sa fréquence d’achat moyenne est de 12 mois car il n’y fait que ses achats de Noël. Comme pour l’exemple précédent, le modèle comprendra que ce client a sa propre fréquence d’achat. Néanmoins, si celui-ci n’a pas fait d’achat depuis 6 mois, le modèle n’y verra rien d’inquiétant car celui-ci a une fréquence d’achat moyenne inférieure au Client A

Le concept clé, qui donne toute la valeur à la démarche, est que le modèle BTYD assigne une probabilité d’être vivant différente à chaque client en fonction de son historique d’achat avec l’entreprise.
Les mécaniques mathématiques des modèles BTYD sont relativement complexes et les exposer est hors du cadre de cet article.

Résultats

Un des points forts de cette méthodologie est qu’il faut peu de données sur les clients pour estimer leur probabilité d’être vivants. Il suffit d’avoir un historique des achats de chaque client et de calculer la recency (le temps entre le moment présent et le dernier achat du Client X) et la frequency (le nombre d’achats fait par un Client X) afin de pouvoir lancer les calculs.

Il est ensuite possible d’illustrer graphiquement l’évolution de la probabilité d’être vivant pour un client donné. Voici un exemple d’illustration :

Ainsi, nous pouvons voir la mécanique du modèle à l’œuvre pour un client pris au hasard. Les lignes rouges pointillées sont des achats alors que la ligne noire indique la probabilité d’être vivant à un moment donné. Les principaux constats visuels (qui découlent directement des mécaniques mathématiques du modèle BTYD) sont les suivantes :

  • Chaque fois que ce client fait un achat, sa probabilité d’être vivant augmente subitement afin de refléter que celui-ci est actif.
  • La hauteur du saut dépend en grande partie de sa probabilité d’être vivant avant l’achat. Ainsi, pour deux achats quasi consécutifs, la probabilité d’être vivant augmente relativement peu.
  • Plus le client fait d’achats, plus sa probabilité d’être vivant s’approche de 100% après un achat. Ceci reflète la fidélité de ce client.
  • La fréquence d’achat moyenne de ce client est de quelques mois. Néanmoins, celui-ci n’a fait aucun achat depuis plusieurs années. Ainsi, le modèle lui donne une probabilité d’être vivant proche de zéro.

Usages

La diminution de l’attrition de vos consommateurs (churn) participe à l’augmentation de la LTV.
Cet outil est extrêmement puissant pour alimenter votre stratégie CRM. Cet indicateur devient une variable complémentaire stratégique pour vos tactiques de marketing automation. En effet, nous pouvons construire des segmentations clients spécifiques afin de proposer des actions de réassurance ou commerciale, et ainsi réduire le churn grâce à des actions ciblées.
Il permet également d’analyser la performance d’un programme fidélité et d’être un outil d’aide à la décision efficace.

L’implémentation de l’algorithme de prédiction de l’attrition fait à présent partie du set d’analyse que nous réalisons au travers de notre service Data Science. Cet indicateur est stratégique car il participe à la performance des actions marketing que nous proposons à nos clients.

La prochaine évolution consistera à enrichir la prédiction en intégrant les données générées par la relation spécifique avec un consommateur donné: notre objectif est de bâtir un indicateur hybride associant un calcul de churn sur la base des transactions (méthode BTYD) associé aux données des interactions entre le consommateur et la marque.

Les analyses des verbatims, données issues du CRM service client permettront d’ajouter une nouvelle dimension, contextuelle, permettant d’affiner l’indicateur d’anticipation du churn tout en documentant les raisons. Finalement l’objectif reste de comprendre les attentes de ses consommateurs par l’analyse de données.