Vos données passées contiennent une information que personne ne lit : les clients qui sont partis se sont comportés différemment pendant les semaines qui ont précédé leur départ. Moins de connexions, moins de commandes, un ticket resté sans suite, un renouvellement repoussé.
Un score de départ met un chiffre sur cette information. Utile, à deux conditions strictes, dont l’une est rarement remplie.
Première condition : l’avance
Un score qui annonce un départ trois jours avant la résiliation est une notification, pas une prédiction. À ce stade, la décision est prise et l’effort de rétention arrive trop tard.
La bonne question à poser avant de commencer est : combien de temps faut-il à nos équipes pour agir utilement ? Si la réponse est un mois, le modèle doit prédire à un mois, même si prédire à une semaine donnerait des scores bien meilleurs. Un modèle plus précis mais trop tardif ne sert à rien.
Deuxième condition : l’action
C’est la condition que l’on oublie. Identifier deux cents clients à risque n’a de valeur que si quelqu’un sait quoi faire de cette liste, et que ce quelque chose fonctionne.
Or on ne sait pas d’avance si l’action fonctionne. La seule façon de le savoir est de garder un groupe témoin : sur les clients détectés, on n’en contacte qu’une partie, et on compare les taux de départ. C’est inconfortable (cela revient à laisser filer volontairement quelques clients), mais sans ce test, vous ne saurez jamais si votre effort de rétention change quoi que ce soit, ou si vous relancez des gens qui n’avaient pas l’intention de partir.
Le piège du signal évident
Un modèle de départ trouve presque toujours une variable très prédictive : la demande de résiliation en cours, le passage sur la page de désabonnement, l’appel au service client au sujet du contrat. Ces variables donnent un modèle brillant et inutile, parce qu’elles décrivent le départ plutôt qu’elles ne l’annoncent.
Il faut les retirer, accepter la baisse de performance, et regarder ce qui reste. C’est là que se trouve l’information exploitable.
Ce que le score doit contenir en plus
Un chiffre seul ne se transforme pas en action. Ce qui rend un score utilisable, c’est ce qui l’accompagne : les deux ou trois éléments qui l’ont fait monter pour ce client-là. « Score élevé » ne dit rien ; « score élevé, aucune connexion depuis six semaines, ticket ouvert non résolu » indique quoi faire.
Ce qui est surestimé
Le classement des clients à risque. On se concentre naturellement sur les scores les plus hauts, qui sont souvent des départs déjà décidés et irrécupérables. Le gain réel se trouve dans la zone intermédiaire : des clients hésitants, encore accessibles, et beaucoup plus nombreux.
Nous construisons ces scores avec l’horizon de temps de vos équipes et un groupe témoin dès le départ, dans notre prestation de scoring prédictif.