📉 Prédicteur de Résiliation Client — Courbe de Survie en Direct

L'analyse de survie est une famille de méthodes statistiques permettant de modéliser le temps écoulé avant qu'un événement ne se produise — à l'origine le temps avant le décès dans les études médicales, mais le même mécanisme s'applique au temps avant qu'un client n'annule un abonnement. Contrairement à un simple classificateur oui/non, les modèles de survie gèrent élégamment la censure : les clients encore actifs à la fin de la fenêtre d'observation n'ont pas résilié, mais pourraient le faire à l'avenir, et un modèle de survie traite correctement cette incertitude au lieu d'écarter ces clients ou de les qualifier à tort de fidèles. Cette simulation construit une cohorte synthétique, attribue à chaque client une fonction de risque déterminée par des caractéristiques réelles, et estime la courbe de survie de la cohorte grâce à l'estimateur de Kaplan-Meier, exactement comme le ferait une équipe d'analyse de la résiliation sur des données d'abonnement réelles.

La fonction de risque h(t) est le risque instantané qu'un client résilie à l'instant t, sachant qu'il a survécu jusqu'à t. Cette simulation utilise un modèle de type risques proportionnels de Cox : h_i(t) = h0(t) × exp(β1·baisse_usage_i(t) + β2·tickets_support_i(t) − β3·ancienneté_i(t) − β4·remise_appliquée_i), où h0(t) est un risque de base de Weibull partagé par tous les clients et le terme exponentiel est un multiplicateur de risque propre à chaque client, construit à partir de sa baisse d'usage réellement accumulée, de sa charge de tickets de support, de son ancienneté et de l'application ou non d'une remise de rétention. Chaque mois, la simulation tire un événement de résiliation de Bernoulli pour chaque client actif avec une probabilité 1 − e^(−h_i(t)), de sorte que le risque détermine réellement qui part et quand.

À chaque pas de temps mensuel, la simulation enregistre n_t, le nombre de clients encore à risque (pas encore résiliés) en début de mois, et d_t, le nombre d'événements de résiliation survenus durant ce mois. L'estimateur de Kaplan-Meier met alors à jour la probabilité de survie de la cohorte selon S(t) = S(t−1) × (1 − d_t/n_t), un produit courant de un moins le taux de risque à chaque instant où un événement a été observé. Il s'agit du même estimateur non paramétrique utilisé dans les véritables études de résiliation et de survie clinique — il est dérivé directement de l'historique d'événements simulé plutôt que d'être une courbe décorative prédessinée, de sorte que resserrer ou desserrer le risque en remodèle réellement la forme.

Le Taux de Remise Proactive fixe la probabilité qu'un client dont le score de risque franchit le Seuil d'Intervention reçoive une remise de rétention ciblée, ce qui multiplie son risque par e^(−β4) à partir de ce mois-là — une réduction réelle et durable du risque de résiliation. La Réactivité du Support ralentit l'accumulation des tickets de support non résolus pour chaque client, ce qui abaisse le terme β2·tickets_support_i(t) dans chaque calcul de risque. Comme les deux leviers alimentent directement la même équation de risque de type Cox utilisée pour tirer les événements de résiliation, déplacer un curseur recalcule tout l'historique d'événements de la cohorte sur les mêmes tirages aléatoires sous-jacents et remodèle immédiatement la courbe de Kaplan-Meier — ce n'est pas une simple surcouche esthétique.

La trajectoire de base de baisse d'usage de chaque client, le bruit des tickets de support et la séquence mensuelle des tirages de résiliation sont générés une seule fois par cohorte, puis stockés. Lorsqu'un levier change, la simulation rejoue exactement la même boucle mensuelle avec les nouveaux coefficients de risque sur ces mêmes nombres aléatoires stockés, plutôt que de tirer une nouvelle randomisation. Cela isole l'effet causal du levier : toute différence observée dans la courbe de survie après le déplacement d'un curseur provient du changement de risque, et non d'un nouveau lancer de dé, exactement la comparaison contrefactuelle qu'une véritable équipe de rétention souhaite obtenir en se demandant « que se passerait-il si nous accordions des remises plus agressives ? »

Les systèmes de résiliation en production ajustent généralement un modèle de risques proportionnels de Cox ou un modèle de risque en temps discret (régression logistique par période) sur des données historiques réelles d'usage, de facturation et de support comportant des dizaines de caractéristiques construites, puis valident les rapports de risque ajustés et les courbes de Kaplan-Meier sur des cohortes mises de côté. Cette simulation implémente les mêmes objets mathématiques — une véritable fonction de risque par client, de réels tirages de résiliation de Bernoulli et un véritable estimateur de Kaplan-Meier sur l'historique d'événements résultant — mais les poids des caractéristiques sont ajustés à la main plutôt qu'estimés par maximum de vraisemblance partielle sur des données réelles, de sorte qu'il faut y voir une démonstration fidèle du mécanisme de modélisation de la résiliation par analyse de survie, et non un modèle de production calibré.