Abonnement · UE

Prédiction du churn qui a sauvé des millions

Une entreprise d'abonnement européenne perdait des clients sans signal. Mission : prédire qui s'apprête à partir, expliquer pourquoi, et cibler les dépenses de rétention là où elles rapportent.

Données : 1,8 M clients · 24 mois Stack : Python · XGBoost · SHAP · dbt Durée : 4 semaines
churn_model · BI
mis à jour aujourd'hui
Churn mensuel
−34%
après actions de rétention
Performance du modèle
0.91
AUC
CA retenu
€2.4M
annualisé
ROI des campagnes
5.8×
sur la dépense de rétention

Risque de churn par segment

probabilité moyenne de départ

Base clients par segment

part de tous les clients

◆ Constats
  • Deux segments — à risque et dormants — portaient presque tout le churn.
  • Le signal le plus fort était une baisse d'usage, des semaines avant la résiliation.
  • Le budget de rétention était réparti uniformément au lieu d'aller là où il change l'issue.
✓ Notre solution
  • Chaque client noté chaque semaine avec un motif de risque clair et explicable.
  • Offres de rétention ciblées déclenchées seulement pour les comptes à risque et à valeur.
  • Un tableau de bord donné à l'équipe pour suivre le risque et mesurer chaque campagne.

Un projet similaire ?

Dites-nous ce que vous construisez. Nous répondons sous un jour ouvré avec un plan clair et un devis ferme.

Démarrer votre projet