« Prédire le churn » est une formulation qui promet plus qu'aucun système ne tient. Ce qui existe réellement, ce sont des signaux corrélés à un départ, dont la combinaison permet de classer des comptes par niveau de risque.
La réponse courte. Aucun modèle ne vous dira de façon fiable que tel compte partira. Ce que vous pouvez obtenir, c'est un classement : ces comptes présentent plus de signaux de risque que les autres, allez les voir en premier. C'est moins spectaculaire et nettement plus utile.
Les quatre familles de signaux
L'usage
Le plus prédictif, et le plus précoce. Baisse de fréquence de connexion, diminution du nombre d'utilisateurs actifs sur un compte, abandon d'une fonctionnalité auparavant utilisée.
Le signal le plus fort n'est pas un niveau bas mais une pente descendante : un compte peu actif depuis toujours est différent d'un compte qui décroche.
Le support
Volume de tickets, tickets répétés sur un même sujet, délais de résolution longs, escalades.
Attention à un piège : l'absence de tickets n'est pas un bon signe en soi. Un client qui a cessé de vous écrire parce qu'il a renoncé ressemble, dans les données, à un client sans problème.
Le texte du feedback
Le ton des messages et son évolution. Une dégradation progressive sur plusieurs mois est plus informative qu'un message isolé, même virulent.
C'est la famille la moins exploitée, parce qu'elle demande de traiter du texte plutôt que des nombres. C'est aussi celle qui contient l'explication, quand les autres ne donnent que le symptôme.
La facturation et le compte
Échecs de paiement, passage à un forfait inférieur, réduction du nombre de licences, changement de contact principal.
Le dernier point mérite d'être surveillé : le départ du champion interne est l'un des signaux les plus fréquents sur les comptes B2B, et l'un des plus faciles à manquer.
Combiner plutôt qu'empiler
Un signal isolé produit beaucoup de bruit. Une baisse d'usage en août n'a pas le même sens qu'une baisse en mars.
Trois principes de combinaison :
Croisez les familles. Une baisse d'usage et un ton qui se dégrade et un changement de contact constituent un signal solide. Chacun pris isolément ne l'est pas. Formaliser cette combinaison en une note par compte, c'est ce que fait un Customer Health Score.
Normalisez par segment. Le rythme d'usage normal d'un compte varie selon sa taille et son secteur. Comparer un compte à lui-même vaut mieux que le comparer à une moyenne.
Tenez compte de la saisonnalité. Un usage cyclique légitime ne doit pas déclencher d'alerte.
Le problème des faux positifs
Un système de score génère toujours des alertes injustifiées. Ce n'est pas un défaut à corriger, c'est un paramètre à régler.
Un seuil bas attrape presque tous les comptes à risque et noie l'équipe sous des alertes inutiles. Un seuil élevé produit peu d'alertes fiables et laisse passer des départs.
Le bon réglage dépend de ce que coûte une intervention. Si contacter un compte prend dix minutes, vous pouvez tolérer beaucoup de faux positifs. Si cela mobilise un ingénieur une journée, non.
Réglez le seuil sur le coût de l'action, pas sur la précision du modèle.
Tester les interventions
C'est l'étape que presque personne ne fait, et sans elle vous ne saurez jamais si votre dispositif sert à quelque chose.
Détecter un risque ne réduit pas le churn. Seule l'intervention peut le faire, et il faut vérifier laquelle fonctionne.
La méthode : constituez deux groupes de comptes à risque comparable, intervenez sur l'un, pas sur l'autre, comparez le résultat. Sans groupe témoin, vous attribuerez à votre intervention des comptes qui seraient restés de toute façon, ce qui vous conduira à généraliser une action inefficace.
Ce que FlagUp fait, en toute précision
FlagUp analyse le texte du feedback : chaque envoi reçoit une note de sentiment, et le Churn Signal Radar fait remonter des indicateurs de risque à partir de l'évolution de ce ton dans le temps. Ces fonctions relèvent des forfaits payants.
Il faut être exact sur ce que cela signifie. FlagUp travaille sur ce que les clients écrivent. Il ne se connecte pas à vos données d'usage produit, ne lit pas votre facturation, et ne construit pas un score de propension au départ à partir de variables comportementales. Ce n'est pas un modèle prédictif entraîné sur votre historique de churn.
Autrement dit : FlagUp couvre une des quatre familles de signaux décrites plus haut, celle que les outils quantitatifs ne voient pas. Les trois autres viennent de votre analytics, de votre support et de votre facturation.
Questions fréquentes
Peut-on prédire le churn de façon fiable ?
Au niveau d'un portefeuille, on peut estimer un taux. Au niveau d'un compte, on classe un risque, on ne prédit pas un événement.
Combien de signaux faut-il avant d'agir ?
Au moins deux issus de familles différentes. Un signal unique produit trop de faux positifs pour justifier une intervention systématique.
Faut-il un modèle de machine learning ?
Rarement au début. Des règles simples et lisibles sur trois ou quatre signaux font l'essentiel du travail et se corrigent facilement quand elles se trompent.
L'absence de plainte est-elle rassurante ?
Non. Le client silencieux qui a renoncé à écrire est plus proche du départ que celui qui se plaint encore.
Que faire d'un compte détecté à risque ?
Le comprendre avant de le contacter. Un message générique de reprise de contact envoyé à un compte bloqué par un problème précis aggrave la situation.
Pour aller plus loin
- La prévention du churn, pour le périmètre complet
- Les données de rétention, pour la couche quantitative
- Les enquêtes de résiliation, pour les motifs déclarés