Modèle de scoring churn télécom pour cibler les abonnés à risque et déclencher des actions de rétention ciblées.
Un opérateur télécom perd chaque mois une fraction de sa base d'abonnés sans visibilité anticipée sur qui va résilier ni pourquoi. Les campagnes de rétention actuelles partent souvent après la demande de résiliation, quand la décision est déjà prise, ou ciblent toute la base sans discrimination, ce qui dilue le budget d'offres de fidélisation.
Le coût du statu quo se mesure en acquisition compensatoire : remplacer un abonné churné coûte nettement plus cher que le retenir. Sans détection précoce, les conseillers du service client découvrent le risque trop tard, souvent au moment de l'appel de résiliation, où les marges de négociation sont faibles.
La démarche part d'une définition métier claire du churn : résiliation volontaire dans les 60 jours, en excluant les déménagements hors zone de couverture qui biaiseraient le signal. Un pipeline Airflow orchestre l'extraction mensuelle des CDR, de la facturation et des tickets support depuis les systèmes sources vers BigQuery, avec transformation dbt pour construire les features (tendance d'usage sur 3 et 6 mois, ratio d'appels au support, ancienneté, changements de forfait récents).
Le modèle retenu est un XGBoost entraîné sur l'historique de churn, avec gestion du déséquilibre de classes par pondération et validation temporelle glissante pour éviter la fuite d'information. Un module SHAP accompagne chaque score pour expliquer les facteurs dominants par abonné, utile pour que les conseillers adaptent leur discours de rétention plutôt que de proposer une remise générique.
Le score alimente ensuite un moteur de règles qui segmente les abonnés à risque élevé par levier d'action probable (prix, réseau, service), et déclenche des campagnes différenciées testées en A/B contre un groupe témoin pour mesurer l'incrémentalité réelle de la rétention.
Si 15 à 20 % des churners identifiés sont effectivement retenus grâce à une action ciblée et pertinente, et si le coût de rétention reste inférieur au coût d'acquisition d'un nouvel abonné, l'opération s'autofinance rapidement. Le gain principal attendu est une meilleure allocation du budget de rétention, concentré sur les abonnés à forte valeur et à risque réel plutôt que diffusé sur toute la base.
Le pilote A/B avec groupe témoin donne un premier signal d'incrémentalité en 2 à 3 mois après mise en production. Un impact consolidé sur le taux de churn global demande généralement un à deux trimestres supplémentaires.
Non. Le score et les facteurs SHAP sont des aides à la décision. Le conseiller garde la main sur l'offre finale et peut ajuster selon le contexte relationnel, ce qui limite aussi le risque de décision automatisée au sens de l'AI Act.
Un plafond de fréquence de sollicitation est intégré au moteur de règles, et le modèle est réentraîné régulièrement pour capter l'évolution réelle du risque plutôt que de figer un même segment dans le temps.
Nous le cadrons, le construisons et le mettons en production. Ou nous formons vos équipes à le faire.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus