Comment la data permet d’anticiper l’attrition client?

Dans le monde des affaires actuel, la concurrence est intense, et les clients disposent d'un large éventail d'options. La prévention de l'attrition client est donc devenue une priorité cruciale pour les entreprises soucieuses de leur rentabilité et de leur croissance à long terme.

L'attrition client, également appelée "churn", se définit comme le taux de clients qui cessent d'utiliser les produits ou services d'une entreprise sur une période déterminée. Diverses formes d'attrition existent, notamment l'attrition volontaire (le client choisit de partir), l'attrition involontaire (le client est contraint de partir, par exemple, en raison d'un défaut de paiement), l'attrition brute (nombre total de clients perdus) et l'attrition nette (nombre de clients perdus moins le nombre de nouveaux clients acquis). Heureusement, l'analyse des données offre une solution performante pour appréhender, prévoir et, finalement, limiter ce phénomène. Nous aborderons les techniques, les défis éthiques, et l'importance d'une expérience client soignée.

Les données clés pour identifier les risques d'attrition

Pour une anticipation précise de l'attrition client, il est essentiel d'identifier les données pertinentes signalant un risque de départ. Ces données se répartissent en plusieurs catégories, apportant chacune une perspective unique sur le comportement et les motivations des clients. L'analyse combinée de ces sources d'informations favorise une vision globale et précise des facteurs d'attrition. Une identification efficace des facteurs d'attrition permet aux entreprises de cibler leurs efforts et d'optimiser leurs ressources pour maximiser la fidélisation.

Catégories de données pertinentes

Explorons les différentes catégories de données pertinentes pour identifier les risques d'attrition. Une exploitation perspicace de ces données permet d'avoir une vision d'ensemble et précise des éléments qui influencent le départ des clients.

Données démographiques & profil client

L'âge, le sexe, la localisation, la profession et le revenu sont autant d'informations démographiques qui peuvent influencer le comportement des clients. Par exemple, une société proposant des services de streaming musical pourrait observer qu'une tranche d'âge particulière est plus susceptible de se désabonner si elle trouve des offres plus attrayantes chez la concurrence. Une analyse approfondie de ces données permet d'identifier les segments de clientèle les plus vulnérables à l'attrition et d'ajuster les stratégies de fidélisation en conséquence. En déterminant les corrélations entre ces données et l'attrition, on peut mieux appréhender les besoins et les attentes des divers groupes de clients et leur proposer des offres personnalisées. Une attention particulière doit être accordée aux clients dont le profil correspond à ceux ayant déjà quitté l'entreprise.

Données comportementales

Ces données reflètent la manière dont les clients interagissent avec les produits ou services de l'entreprise. Elles englobent la fréquence d'utilisation, le temps passé sur une application, les fonctionnalités les plus sollicitées, le nombre de requêtes au service client, l'historique d'achats et l'activité sur le site web. Une baisse soudaine de la fréquence d'utilisation d'un produit, une augmentation des plaintes au service client ou un abandon de panier sur le site web sont autant de signaux d'alarme à considérer attentivement. Les données comportementales sont essentielles, car elles fournissent des informations concrètes sur les habitudes et les préférences des clients, ce qui permet d'identifier les points de friction et les insatisfactions susceptibles de provoquer l'attrition.

• Utilisation du Produit/Service: Examiner la fréquence, la durée et les fonctionnalités utilisées.
• Interactions avec le Service Client: Suivre le nombre et le type de requêtes, les canaux de communication utilisés et la satisfaction exprimée.
• Historique d'Achats: Analyser la fréquence, le montant et les types de produits/services achetés.
• Activité Web/App: Surveiller les pages visitées, le temps passé, le taux de rebond et les actions (ajout au panier, etc.).

Données relationnelles

Ces données mesurent la satisfaction et l'engagement des clients envers la marque. Les scores de satisfaction client (CSAT), le Net Promoter Score (NPS), les enquêtes de satisfaction et le feedback des réseaux sociaux sont des indicateurs précieux pour évaluer la perception des clients et identifier les axes d'amélioration. Par exemple, une diminution constante du score NPS peut signaler un problème de qualité de service ou un manque d'innovation. L'analyse des sentiments exprimés sur les réseaux sociaux permet de détecter les tendances négatives et d'y remédier rapidement. Ces données sont cruciales, car elles permettent de comprendre les émotions et les opinions des clients, ce qui est essentiel pour établir une relation de confiance et de fidélité.

Données externes (optionnel)

Dans certains cas, les données externes peuvent fournir un éclairage supplémentaire sur les facteurs d'attrition. Les données socio-économiques peuvent influencer le pouvoir d'achat des clients et leur propension à se désabonner de certains services. Les données concurrentielles peuvent également inciter les clients à changer de fournisseur. Bien que moins directement liées au comportement des clients, ces données peuvent aider à contextualiser l'attrition et à anticiper les tendances du marché. Par exemple, une entreprise pourrait constater une augmentation de l'attrition suite au lancement d'une offre promotionnelle agressive par un concurrent. L'analyse de ces données externes combinée aux données internes offre une vision plus holistique du phénomène d'attrition.

Identification des indicateurs clés (KPIs)

Les indicateurs clés de performance (KPIs) sont des mesures spécifiques permettant de suivre l'évolution de l'attrition et d'évaluer l'efficacité des stratégies de fidélisation. Le choix des KPIs dépend du contexte et des objectifs de l'entreprise. Par exemple, une entreprise SaaS pourrait suivre le taux d'attrition mensuel, le taux d'utilisation du produit, le nombre de tickets de support ouverts, le score NPS et le Customer Lifetime Value (CLTV). En surveillant attentivement ces KPIs, l'entreprise peut détecter rapidement les signaux d'alarme et prendre des mesures correctives. Il est essentiel de définir des objectifs clairs pour chaque KPI et de suivre régulièrement les progrès pour assurer l'efficacité des stratégies de fidélisation.

Voici quelques exemples de KPIs pertinents :

• Taux d'utilisation du produit en baisse
• Augmentation des plaintes au service client
• Diminution de la fréquence d'achat
• Baisse du score NPS

Collecte et centralisation des données

La collecte et la centralisation des données sont des étapes fondamentales pour exploiter pleinement le potentiel de l'analyse prédictive. Il est crucial de collecter des données complètes et de qualité provenant de toutes les sources pertinentes (CRM, DMP, data warehouse, etc.). Une fois collectées, les données doivent être nettoyées, transformées et centralisées dans un système unifié pour simplifier l'analyse. L'utilisation d'outils et de technologies appropriés est indispensable pour automatiser ces processus et assurer la cohérence et la fiabilité des données. Un CRM centralise les informations sur les clients, tandis qu'une DMP collecte et organise les données provenant de diverses sources. Un data warehouse permet de stocker et d'analyser de grandes quantités de données avec efficacité. Pour garantir une analyse précise, il est essentiel de mettre en place des processus rigoureux de validation et de contrôle qualité des données.

Techniques d'analyse prédictive pour anticiper l'attrition

L'analyse prédictive est un ensemble de techniques statistiques et d'apprentissage automatique permettant de prévoir la probabilité qu'un client quitte l'entreprise. Ces techniques s'appuient sur les données collectées pour identifier les facteurs de risque et construire des modèles prédictifs. Le choix de la technique la plus adaptée dépend des données disponibles, de la complexité du problème et des objectifs de l'entreprise.

Présentation des techniques

Explorons les techniques d'analyse prédictive qui peuvent être utilisées pour anticiper l'attrition client. Nous allons examiner les méthodes les plus courantes et leurs applications.

Analyse de régression logistique

La régression logistique est une technique statistique permettant de prévoir la probabilité qu'un événement survienne en fonction de différentes variables. Dans le contexte de l'attrition client, elle peut servir à prédire la probabilité qu'un client quitte l'entreprise en fonction de son âge, de son sexe, de son comportement d'achat, de ses interactions avec le service client, etc. Relativement simple à mettre en œuvre et à interpréter, elle peut être limitée dans sa capacité à gérer des relations complexes entre les variables. La régression logistique est particulièrement utile pour identifier les variables ayant le plus d'impact sur l'attrition et pour estimer la probabilité d'attrition pour chaque client. Par exemple, elle pourrait révéler qu'un client ayant contacté le support client plus de 5 fois au cours du dernier mois a une probabilité d'attrition 3 fois supérieure à la moyenne.

Arbres de décision et forêts aléatoires

Les arbres de décision et les forêts aléatoires sont des algorithmes d'apprentissage automatique permettant de construire des modèles prédictifs en divisant les données en segments de plus en plus petits en fonction de règles et de critères spécifiques. Ces algorithmes sont particulièrement utiles pour identifier les segments de clients à risque en fonction de leur profil et de leur comportement. Par exemple, un arbre de décision pourrait identifier un segment de clients à risque qui ont plus de 50 ans, qui n'ont pas utilisé le produit depuis plus de 30 jours et qui ont contacté le service client plus de deux fois au cours du dernier mois. Les forêts aléatoires sont une extension des arbres de décision combinant plusieurs arbres pour améliorer la précision de la prédiction. Ces algorithmes sont capables de gérer des données non linéaires et de déceler des interactions complexes entre les variables. L'utilisation de ces techniques permet d'identifier des schémas de comportement difficiles à détecter avec des méthodes plus simples.

Réseaux de neurones (machine learning)

Les réseaux de neurones sont des modèles d'apprentissage automatique complexes s'inspirant du fonctionnement du cerveau humain. Ils sont capables d'apprendre à partir des données et de prédire l'attrition avec une grande précision. Cependant, ils nécessitent de grandes quantités de données pour être efficaces et peuvent être difficiles à interpréter. Ils sont particulièrement utiles pour modéliser des relations complexes entre les variables et pour prévoir l'attrition dans des situations où les données sont bruitées ou incomplètes. L'utilisation de réseaux de neurones requiert une expertise en apprentissage automatique et une infrastructure informatique puissante. Ces modèles peuvent être utilisés pour identifier des combinaisons de facteurs qui, pris individuellement, ne seraient pas significatifs, mais qui, ensemble, indiquent un risque élevé d'attrition.

Clustering (segmentation)

Le clustering est une technique d'apprentissage non supervisé qui regroupe les clients en segments homogènes en fonction de leur comportement et de leurs caractéristiques. Elle peut être utilisée pour identifier des segments à risque et adapter les stratégies de fidélisation en conséquence. Par exemple, un cluster pourrait regrouper les clients qui ont un faible score NPS, qui utilisent peu le produit et qui n'ont pas effectué d'achat depuis plusieurs mois. En identifiant ces segments à risque, l'entreprise peut cibler ses efforts de fidélisation sur les clients les plus susceptibles de partir. Le clustering peut également servir à identifier les clients les plus fidèles et les plus rentables, afin de les récompenser et de les encourager à rester. Une analyse approfondie des caractéristiques de chaque cluster permet de comprendre les raisons de l'attrition et d'adapter les stratégies de rétention en conséquence.

Choix de la technique appropriée

Le choix de la technique d'analyse prédictive la plus pertinente dépend de plusieurs facteurs, notamment les données disponibles, la complexité du problème et les objectifs de l'entreprise. La régression logistique est une option intéressante pour commencer, car elle est simple à mettre en œuvre et à interpréter. Les arbres de décision et les forêts aléatoires sont plus complexes, mais ils peuvent gérer des données non linéaires et identifier des interactions complexes entre les variables. Les réseaux de neurones sont les plus complexes, mais ils peuvent prédire l'attrition avec une grande précision. Le clustering est utile pour identifier des segments de clients à risque et adapter les stratégies de rétention en conséquence. Il est conseillé de tester différentes techniques et de comparer leurs performances afin de choisir celle qui correspond le mieux à votre situation.

Interprétation des résultats et identification des facteurs de risque

Après la construction des modèles prédictifs, il est primordial d'interpréter les résultats et d'identifier les facteurs contribuant le plus à l'attrition. Par exemple, une analyse pourrait révéler que les clients qui contactent le service client plus de trois fois par mois présentent un risque d'attrition deux fois plus élevé, ou que les clients n'ayant pas utilisé le produit depuis plus de 30 jours sont susceptibles de partir. En identifiant ces facteurs de risque, l'entreprise peut cibler ses efforts de fidélisation sur les clients les plus susceptibles de partir et prendre des mesures correctives pour améliorer leur expérience. Il est essentiel de communiquer clairement les résultats de l'analyse aux équipes en charge de la relation client afin qu'elles puissent agir en conséquence. La création de tableaux de bord visuels et interactifs facilite la compréhension des résultats et permet aux équipes de suivre l'évolution des facteurs de risque au fil du temps.

Voici un exemple d'interprétation :

Les clients qui contactent le service client plus de 3 fois par mois ont un risque d'attrition 2 fois plus élevé. Les clients qui n'ont pas utilisé le produit depuis plus de 30 jours sont susceptibles de partir.

Mise en garde sur l'overfitting et la généralisation

L'overfitting est un problème courant dans l'analyse prédictive, se produisant lorsque le modèle est trop bien adapté aux données d'entraînement et ne parvient pas à se généraliser à de nouvelles données. Afin d'éviter l'overfitting, il est essentiel de valider les modèles prédictifs sur des données distinctes de celles utilisées pour l'entraînement. Cela permet de s'assurer que le modèle est capable de prédire l'attrition avec précision sur de nouveaux clients. Il est également important de simplifier les modèles complexes et de limiter le nombre de variables utilisées pour l'entraînement. La régularisation est une technique pénalisant les modèles complexes et permettant d'éviter l'overfitting. Il est crucial de suivre de près les performances du modèle sur des données réelles afin de détecter rapidement tout signe d'overfitting et d'ajuster le modèle en conséquence.

Mettre en place des actions proactives pour prévenir l'attrition (stratégies prévention churn)

Après avoir identifié les facteurs de risque d'attrition, il est temps de mettre en œuvre des actions proactives pour prévenir le départ des clients. Ces actions doivent être adaptées aux besoins et aux préférences de chaque client et mises en œuvre de manière proactive et personnalisée. L'automatisation et l'intelligence artificielle peuvent être utilisées pour mettre en œuvre ces stratégies à grande échelle, permettant une approche plus efficace et personnalisée de la fidélisation. L'objectif est d'anticiper les besoins des clients et de leur offrir une expérience exceptionnelle, renforçant ainsi leur fidélité à la marque.

Développement de stratégies de rétention personnalisées (data science fidélisation)

La personnalisation est la clé d'une stratégie de fidélisation efficace. Les clients sont plus enclins à rester fidèles à une entreprise qui comprend leurs besoins et leur propose des offres et des services adaptés à leurs préférences. La personnalisation peut prendre diverses formes : offres ciblées, communication individualisée, support client proactif ou programme de fidélité. Il est important de collecter des données sur les clients et de les utiliser pour personnaliser leur expérience. Par exemple, une entreprise pourrait envoyer un e-mail personnalisé à un client n'ayant pas utilisé le produit depuis plusieurs semaines, lui offrant une remise spéciale ou lui rappelant les avantages du produit. La personnalisation permet de créer une relation de confiance et de fidélité avec les clients, limitant ainsi le risque d'attrition. Il est important de segmenter les clients en fonction de leurs besoins et de leurs préférences afin de leur proposer des offres et des services pertinents.

• Offres personnalisées: Proposer des remises, promotions ou cadeaux adaptés aux besoins et préférences de chaque client.
• Communication ciblée: Envoyer des e-mails, SMS ou appels personnalisés en fonction du comportement et des intérêts des clients.
• Support client proactif: Offrir une assistance personnalisée et résoudre les problèmes avant qu'ils ne s'aggravent.
• Programme de fidélité: Récompenser les clients fidèles avec des avantages exclusifs et des privilèges.

Utilisation de l'automatisation et de l'intelligence artificielle (machine learning rétention client)

L'automatisation et l'intelligence artificielle (IA) peuvent servir à mettre en œuvre les stratégies de fidélisation à grande échelle et à personnaliser l'expérience client avec efficacité. Des chatbots peuvent être utilisés pour répondre aux questions des clients et résoudre rapidement les problèmes. L'automatisation du marketing peut servir à envoyer des e-mails personnalisés en fonction du comportement des clients. Des recommandations ciblées peuvent être utilisées pour proposer aux clients des produits ou services correspondant à leurs besoins. L'IA peut également être utilisée pour prédire le comportement des clients et anticiper leurs besoins. Par exemple, un système d'IA pourrait identifier les clients susceptibles de partir et proposer des offres personnalisées pour les retenir. L'automatisation et l'IA permettent d'améliorer l'efficacité des stratégies de fidélisation et de personnaliser l'expérience client à grande échelle. L'intégration de l'IA permet également de détecter des signaux faibles qui pourraient échapper à l'analyse humaine.

Importance du feedback et de l'amélioration continue

Le feedback des clients est une source d'informations précieuse permettant de comprendre les raisons de l'attrition et d'identifier les opportunités d'amélioration. Il est important de recueillir régulièrement ce feedback par le biais d'enquêtes de satisfaction, de sondages, de commentaires sur les réseaux sociaux ou de conversations avec le service client. Le feedback doit être analysé avec attention afin d'identifier les points de friction et les opportunités d'amélioration. Les stratégies de fidélisation doivent être affinées en fonction du feedback des clients, et l'expérience client doit être améliorée en continu. La mise en place d'un cycle d'amélioration continue basé sur les données et le feedback des clients est essentielle pour limiter l'attrition et fidéliser les clients. Il est également important d'impliquer les employés dans ce processus d'amélioration continue, car ils sont souvent en contact direct avec les clients et peuvent apporter des idées précieuses.

Exemples concrets de mise en place

Plusieurs entreprises ont exploité la data avec succès pour anticiper et prévenir l'attrition client. Netflix utilise les données de visionnage pour recommander des contenus pertinents aux abonnés et les fidéliser. Amazon utilise les données d'achat pour proposer des recommandations personnalisées et fidéliser les clients. Spotify utilise les données d'écoute pour créer des playlists personnalisées et fidéliser les abonnés. Ces exemples illustrent comment la data peut être utilisée de manière créative et efficace pour améliorer l'expérience client et limiter l'attrition. Par exemple, une entreprise de télécommunications pourrait analyser les données d'utilisation de ses clients pour identifier ceux qui consomment moins de données ou qui appellent moins souvent, et leur proposer des offres personnalisées pour les inciter à rester. <img src="data:image/png;base64,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