Accueil▸IA et apprentissage automatique▸Laboratoire d'attrition client par IA

📉 Laboratoire d'attrition client par IA

Une simulation en étude de cas d'un modèle de prédiction d'attrition : ajustez le seuil de score de risque pour une offre de rétention et observez le compromis entre coût de campagne et revenu retenu.

IA et apprentissage automatique['Canvas 2D', 'Vanilla JS']Étude de cas60 FPS

Étude de cas : qui reçoit la remise ?

Cette étude de cas simule une entreprise d'abonnement utilisant un modèle de prédiction d'attrition pour décider quels clients reçoivent une offre de rétention, généralement une remise, avant leur prochain cycle de facturation. Chaque abonné actif a un score de risque d'attrition prédit par le modèle, et une probabilité réelle sous-jacente de résiliation effective que le score du modèle ne fait qu'approximer.

Offrir une remise à chaque client qui pourrait résilier est coûteux et inutile, car de nombreux clients à faible risque n'allaient de toute façon jamais partir. N'offrir de remise à personne économise ce coût mais laisse des clients réellement à risque et précieux résilier sans intervention. Le seuil de score de risque déclenchant une offre est le levier qui décide quels clients la reçoivent réellement.

Ce laboratoire simule deux mille abonnés avec un écart réaliste entre le score prédit et la probabilité réelle d'attrition, et vous permet de déplacer le seuil directement, en observant combien de clients se voient offrir une remise, combien d'entre eux l'offre retient réellement, et la valeur nette de la campagne.

Questions fréquentes

Pourquoi ne pas offrir une remise de rétention à chaque client ?

Offrir une remise à chaque client, y compris la grande majorité qui n'allait de toute façon jamais résilier, gaspille du revenu sur des clients que l'entreprise aurait de toute façon gardés.

Pourquoi ne pas supprimer entièrement les offres de rétention ?

Supprimer les offres de rétention ciblées signifie perdre des clients réellement à risque et précieux qui seraient peut-être restés avec ne serait-ce qu'une incitation modeste, à un coût généralement bien inférieur à celui de remplacer un client perdu.

Un score de risque d'attrition est-il la même chose que la probabilité réelle d'attrition ?

Non — le score de risque prédit par un modèle est une estimation corrélée à la probabilité réelle d'attrition, mais il n'est jamais parfaitement exact, c'est pourquoi certains clients à faible score résilient tout de même et certains à score élevé restent.

Comment la valeur d'une campagne de rétention est-elle calculée ?

Généralement comme la valeur des clients retenus qui auraient sinon résilié, moins le coût des offres données aux clients, y compris beaucoup qui seraient restés indépendamment de la remise.

Comment les entreprises fixent-elles le seuil en pratique ?

Les entreprises modélisent généralement la valeur de campagne attendue sur différents seuils à l'aide de données historiques d'attrition et de réponse aux offres, puis choisissent le seuil qui maximise la valeur nette plutôt que de simplement maximiser le nombre de rétentions.

⚙ Sous le capot

2000 clients simulés ont une probabilité réelle d'attrition tirée par une transformation sigmoïde d'une distribution normale, et un score prédit par le modèle corrélé à la valeur réelle mais plus bruité. Le seuil détermine qui reçoit une offre de rétention simulée, ce qui réduit la probabilité effective d'attrition d'un montant relatif fixe, et la valeur nette de campagne soustrait le coût des offres du revenu d'abonnement retenu.

customer-churnretention-campaigncase-study

Canvas 2D · vanilla JavaScript · 60 FPS target · runs fully client-side, no install