La fidélisation de la clientèle est un défi majeur pour les entreprises, en particulier lorsqu'il s'agit de prendre des décisions difficiles telles que des augmentations de prix. Une entreprise augmentait chaque année le prix de ses abonnements, mais ne savait pas comment ces augmentations affectaient la fidélité des clients et quel point de prix maximiserait les profits. Pour relever ce défi, elle a fait appel à notre équipe d'experts en modélisation prédictive.

Ce n'est jamais aussi simple que de diviser un ensemble de données et d'exécuter un modèle Train-Test. Des restrictions légales nous ont empêchés d'utiliser un modèle de désabonnement conventionnel pour cibler les clients devant subir des augmentations de prix. Au lieu de cela, nous devions travailler uniquement avec des caractéristiques non discriminatoires des clients.

Approche

Nous avons commencé ce projet avec un énoncé de problème précis : Comment déterminer l'augmentation optimale du prix de l'abonnement d'un client tout en minimisant le risque de désabonnement ?

Il est évident que l'hypothèse du risque zéro est erronée, car les clients sont sensibles aux prix, en particulier dans l'environnement inflationniste d'aujourd'hui. Nous avons commencé par analyser l'impact des hausses de prix précédentes. Pour cette étude, nous devions définir une fenêtre temporelle claire. Après avoir consulté le client, nous avons convenu d'examiner le taux d'attrition des clients dans les quatre mois suivant chaque augmentation de prix, en nous concentrant plus particulièrement sur les demandes d'annulation soumises au cours d'une période de deux mois.

Vue de la fenêtre temporelle

Une fois cette tâche accomplie, nous avons construit un ensemble de données complet contenant diverses caractéristiques des modèles de comportement historiques et actuels de nos clients. Cet ensemble de données capturait les effets cumulatifs des augmentations de prix précédentes et incluait des variables externes telles que le taux d'inflation. L'ensemble de données final était remarquablement déséquilibré, avec un taux de désabonnement de seulement 1,5 %.

Prédictions ?

Sur la base de l'analyse approfondie des données réalisée lors de la phase précédente, nous avons élaboré deux modèles prédictifs distincts, l'un pour les clients privés et l'autre pour les entreprises. L'analyse a montré que ces groupes avaient des comportements très différents. Pour les deux segments, nous avons choisi les algorithmes régresseurs LGBM pour la sélection des caractéristiques et les prédictions. Parmi les nombreux algorithmes disponibles, nous avons choisi LGBM pour deux raisons essentielles :

• L'ensemble des données est déséquilibré.

• Les données sont transactionnelles.

Plutôt que d'entrer dans les détails de la sélection du modèle, concentrons-nous sur les résultats de la prédiction. Ils n'étaient ni exceptionnels ni médiocres - simplement adéquats. Cette performance n'est pas inquiétante puisque nous ne pouvons pas légalement utiliser un modèle prédictif de toute façon. Ce qui importait vraiment, c'était la sélection des caractéristiques.

Probabilité de désabonnement, distributions pour différentes augmentations de prix.

Pour déterminer les classes de sensibilité, nous avons analysé la variabilité de la probabilité de désabonnement entre des augmentations de prix de 0 % et de 10 %. Nous avons simulé les probabilités de désabonnement pour des augmentations de prix allant de 1 % à 10 %. Comme le montre la figure ci-dessous, nous avons identifié le groupe à faible risque (surligné en rose). Ces clients ont fait preuve d'une grande fidélité - même avec une augmentation de prix de 10 % (notre valeur maximale testée), ils ont maintenu une probabilité de désabonnement inférieure à 55 %. Sur la base des seuils spécifiés par les clients, nous avons identifié trois groupes distincts :

• Faible sensibilité : 47% des clients / 0,7% de taux de résiliation

• Sensibilité moyenne : 32% des clients / 1% de taux de résiliation

• Sensibilité élevée : 21% des clients / 2,4% de taux de désabonnement

Le groupe à haut risque est 3,5 fois plus susceptible de changer de fournisseur - unedistinction notable compte tenu de notre ensemble de données déséquilibré.

Sélectionner des clients à faible risque.

Trouver une voie : Multinformation Critères

Vous avez peut-être remarqué que si nous utilisons un algorithme prédictif pour faire des prédictions, nous ne pouvons pas légalement l'utiliser pour déterminer les augmentations de prix. Voici notre solution : nous avons classé toutes nos caractéristiques construites en fonction de leur capacité à distinguer les groupes à faible risque, à risque moyen et à risque élevé.

Par exemple, voyons comment la caractéristique "Nombre d'utilisations au cours du dernier mois" est liée à ces trois catégories de clients :

Nombre d'utilisations le mois précédant l'augmentation des prix et sensibilité à l'augmentation des prix.

Nous avons appliqué le critère de la multi-information pour trouver la meilleure combinaison de caractéristiques permettant de saisir la variance des données tout en éliminant la redondance. Pour des raisons pratiques, nous avons sélectionné dix caractéristiques et les avons combinées par groupes de trois, créant ainsi 120 combinaisons possibles.

Solution et résultats

Nous avons mis en œuvre la combinaison de trois fonctionnalités qui permettait de distinguer au mieux les groupes à risque faible, moyen et élevé. Par exemple, les clients dont l'utilisation est nulle tombent systématiquement dans la catégorie à haut risque. Cette approche nous a permis de créer des groupes basés uniquement sur les caractéristiques des utilisateurs et d'analyser leurs taux de désabonnement historiques. Chaque groupe a également montré des niveaux de sensibilité au prix distincts, que nous avons mesurés au moyen d'une régression linéaire.

Notre solution finale permet à l'équipe commerciale de sélectionner trois caractéristiques parmi dix pour former des groupes de sensibilité. L'outil génère des rapports détaillés pour chaque groupe, affichant les taux de désabonnement prévus et les augmentations de prix recommandées. Il calcule à la fois le risque de désabonnement et l'augmentation attendue des bénéfices grâce aux ajustements de prix, puis détermine le gain global attendu en comparant ces facteurs. Nous avons fourni à notre client une liste détaillée des augmentations de prix recommandées, étayée par des données historiques montrant leur impact sur la fidélisation des clients. Nous avons également fourni des conseils sur la combinaison optimale des caractéristiques des utilisateurs pour une segmentation efficace des groupes.

Un dernier mot

Bien que simple d'un point de vue commercial, ce projet présentait des défis uniques. Si les aspects techniques tels que l'analyse des données et la modélisation prédictive sont notre point fort, le véritable défi consistait à naviguer entre les contraintes juridiques. Notre équipe a dû distiller le comportement complexe des clients en seulement trois caractéristiques distinctes, tout en maintenant une précision maximale. C'était un terrain inconnu pour nous, mais c'est exactement ce qui l'a rendu passionnant !