Churn et Marketing Client

Comment anticiper et réduire la perte de clients ?

Anticiper et réduire le churn grâce au machine learning

À l’ère du big data de nombreuses entreprises mettent en place leurs propres systèmes de collecte et de traitements de la donnée afin de comprendre le comportement de leurs clients, et ainsi opter pour de nouvelles stratégies marketing « data centric ».

Seulement, si beaucoup de responsables marketing sont satisfaits d’observer le comportement de leurs clients, certains déclarent ne pas avoir les clefs pour agir sur le phénomène de churn.

Alors qu’est-ce que le churn et comment les nouvelles technologies d’intelligence artificielle permettent de l’anticiper et de le réduire ? C’est ce que nous allons voir ensemble.

escalator-web

Qu'est-ce que le churn ?

Définition du churn

Le terme « churn », très utilisé en marketing, désigne une tendance à la baisse de la clientèle. Cette notion, aussi connue en français sous le terme « d’attrition », permet d’analyser la fidélité d’une clientèle et l’impact d’actions marketing sur celle-ci.

Comment se calcule le taux de churn ?

L’une des principales préoccupations d’un responsable CRM ou responsable marketing, consiste à calculer et limiter le churn.

À cet effet, nous avons aujourd’hui une formule simple pour calculer le taux d’attrition : elle consiste à diviser le nombre de clients perdus par le nombre total de clients.

Qu’est-ce qu’un taux de churn « normal » ?

En sachant que sur tout marché concurrentiel, il existe une érosion naturelle de la clientèle, on arrive aujourd’hui à définir un seuil au-dessus duquel le churn est anormalement élevé. Pour comprendre cette notion, il convient de faire un détour par la notion de cycle de vie du client. En marketing, on considère qu’un client passe par 3 grandes phases (notion de cycle de vie du client) : tout d’abord prospect, il devient ensuite client actif, avant d’être un client perdu. Le taux de churn, est associé à la part de clients perdus sur une période par rapport aux clients gagnés et actifs.

Un taux de churn dit « normal » ne doit généralement pas dépasser les 10% de la clientèle ; on observe cependant des secteurs où le taux d’attrition s’élève à 20%. Au-delà de ce taux, on considère qu’il y a un problème dans la gestion de la relation client et notamment en ce qui concerne la fidélisation.

(Nombre de clients perdus sur la période) X 100
________________________________________________

((Nombre de clients engagés sur la période)
+ (Nombre de clients à la fin de la période) / 2)

Comment anticiper le churn par la prédiction ?

Dans une stratégie marketing classique, pour anticiper et réduire le churn, on procède notamment à des enquêtes régulières de satisfaction client. L’idée consiste à comprendre pourquoi des clients tournent le dos à une marque ou une entreprise et à utiliser leurs réponses pour améliorer les process de relation client afin d’augmenter leur fidélisation.

Cela peut se faire en ajoutant une « étape d’enquête » dans le processus de résiliation, mais aussi en analysant vers quel concurrent les clients « churneurs » se dirigent. En effet, le marketing mix n’est peut-être pas en adéquation avec une part de la clientèle et il conviendrait de modifier la proposition de l’entreprise ou de la marque, afin de retenir les clients avant qu’il ne soit trop tard.

data-management-web

Comment prédire l’attrition des clients avec ETIC DATA ?

Si les enquêtes de satisfaction et l’élaboration de stratégie marketing de fidélisation réclament un investissement important en temps et en ressources financières aux responsables marketing, nos algorithmes prédictifs ETIC DATA permettent aujourd’hui d’anticiper et réduire le taux de churn des entreprises.

Le process est simple : nous collectons et nettoyons des données brutes qui permettent d’identifier l’individu, contenues dans les 6 champs suivants : NOM, PRÉNOM, MAIL, CP, ADRESSE, VILLE et la variable cible telle que par exemple l’information CHURNER / NON CHURNER, avec un historique de temps suffisant.

Vient ensuite la phase d’enrichissement qui permettra de compléter ces données brutes, dites « First Party ».

Enrichissement de données

Sur cette base de données enrichie, notre processus de modélisation utilise les algorithmes de machine learning et plus précisément l’algorithme des « forêts d’arbres aléatoires » (Random Forest) dont le principe est de prédire un phénomène à partir d’observations passées.

Il cherche à découvrir des corrélations significatives dans un jeu de données dans le but de créer un modèle prédictif. Cette modélisation permettra de classifier et d’attribuer une note de probabilité appelée « score d’appétence ».

Ce score d’appétence permettra de classer les individus qui composent une base de données, du plus appétant au moins appétant. Cette classification permettra ensuite de concentrer sur le ciblage des individus les plus pertinents avec un temps d’avance.

L’intérêt de notre solution basée sur les technologies du machine learning et sur l’intelligence artificielle est double : d’une part, nous produisons un modèle prédictif permettant d’affiner la compréhension du comportement à venir de la clientèle.

Modèle prescriptif

D’autre part, nous produisons un modèle prescriptif automatisé, permettant de connaitre les meilleurs scénarios pour conquérir chaque individu identifié à risque ou à potentiel et ainsi accélérer l’engagement clients !

Vous l’aurez compris, aujourd’hui toutes les entreprises se préoccupent d’agir sur leur churn.

À l’ère du Data Marketing prescriptif, des solutions métiers dites « intelligentes » car intégrant de l’Intelligence Artificielle créent la rupture avec les méthodes de segmentation et de ciblage traditionnelles pour mieux conquérir, fidéliser et satisfaire les clients.