Prévoyez le départ des clients avant qu’il ne se produise

Pourquoi les « modèles de désabonnement » sont-ils si importants ? Prenons un exemple. En général, le taux de désabonnement annuel d’un opérateur de télécommunications (c’est-à-dire un opérateur de téléphonie mobile) est de 12 %. Cela signifie que chaque année, un opérateur de téléphonie mobile perd 12 % de ses clients (ce qui ne pose généralement pas de véritable problème car, sur un marché saturé, cette même entreprise de télécommunications gagne 12 % de nouveaux clients et tout reste généralement « en équilibre »).

Si nous parvenons à identifier ces « clients à risque » et à les empêcher de partir, l’opérateur de télécommunications en tirera les avantages suivants :

(20 €/mois × 12) × 1 000 000 × 12 % = 28 800 000 euros

Dans l’équation ci-dessus, nous avons retenu l’hypothèse suivante :

• frais d’abonnement de 20 € par mois, versés sur une période d’un an
• que ce petit opérateur de téléphonie mobile compte environ 1 000 000 de clients
• Et que le taux de désabonnement annuel est de 12 %

Imaginons que nous utilisions TIMi pour nos prévisions. TIMi est capable de détecter correctement « à l’avance » 40 % des clients susceptibles de résilier leur abonnement.L’opérateur de télécommunications peut alors proposer aux clients sur le point de partir du « temps de communication gratuit » (ou une autre incitation) et, de ce fait, parvient à fidéliser 25 % des clients susceptibles de partir. Dans cet exemple, la valeur du classement généré avec TIMi est :

28 800 000 € × 40 % × 25 % = 2 880 000 €.

Les autres logiciels commerciaux classiques de datamining, considérés comme les meilleurs de leur catégorie, ne parviennent à détecter « à l’avance » que 30 % au maximum des clients susceptibles de se désabonner. La valeur de leur classement se limite donc à :

28 800 000 € × 30 % × 25 % = 2 160 000 €.

Business-Insight s’efforce d’améliorer la précision des prévisions de TIMi, compte tenu de l’énorme valeur ajoutée que chaque modèle prédictif apporte à nos clients. Dans cet exemple, cela représente près d’un million d’euros en plus par rapport à un outil de modélisation standard pour un seul modèle prédictif. La précision supérieure de TIMi est démontrée par ses performances exceptionnelles lors des différentes éditions de la KDD Cup.

L’objectif du concours international de datamining KDD-2009 correspondait à une tâche très courante dans le secteur des télécommunications et reflète fidèlement le type de tâches rencontrées dans la « vie réelle » (par opposition aux tâches purement « abstraites » généralement proposées dans ce genre de concours universitaires).

Pour le concours KDD2009, le classement final repose sur la qualité/précision moyenne (AUC) de trois modèles prédictifs élaborés à partir de données fournies par la société « Orange » (Orange est le numéro un des télécommunications en France). Les trois modèles prédictifs à développer pour le concours KDD2009 sont un modèle de désabonnement, un modèle de vente incitative et un modèle de « propension à l’achat » (appétence).

Le concours a été un véritable « combat à mort », car chacun voulait prouver sa supériorité sur des « tâches du monde réel ». Lors du KDD2009, on comptait :

• 1 299 équipes inscrites
• 7 865 entrées
• 46 pays (Argentine, Australie, Autriche, Belgique, Brésil, Bulgarie, Canada, Chili, Chine, Fidji, Finlande, France, Allemagne, Grèce, Hong Kong, Hongrie, Inde, Iran, Irlande, Israël, Italie, Japon, Jordanie, Lettonie, Malaisie, Mexique, Pays-Bas, Nouvelle-Zélande, Pakistan, Portugal, Roumanie, Fédération de Russie, Singapour, République slovaque, Slovénie, Afrique du Sud, Corée du Sud, Espagne, Suède, Suisse, Taïwan, Turquie, Ouganda, Royaume-Uni, États-Unis, Uruguay)

Comme d’habitude dans ce type de concours, votre classement dépend de la précision (moyenne) des trois modèles prédictifs (vente croisée, vente incitative, perte de clientèle) que vous créez : plus la précision est élevée, meilleur est votre classement. Voici un graphique illustrant la précision des 100 meilleurs participants : le point ROUGE correspond à la précision obtenue avec TIMi :

Je suppose que la précision obtenue avec d’autres logiciels d’analyse prédictive « grand public » se situe aux alentours de 0,77 (AUC = 77 %). Bien que tous les principaux revendeurs de solutions d’exploration de données aient très certainement participé à l’étude, ils n’ont pas révélé leur classement final… Nous ne saurons donc jamais avec certitude la précision de leur outil… Je me demande bien pourquoi…

Ces résultats de concours placent TIMi au rang de meilleur outil de datamining prédictif « disponible dans le commerce » au monde (les très rares équipes qui ont réussi à obtenir des résultats légèrement supérieurs à ceux de TIMi utilisaient toutes des prototypes logiciels non accessibles au grand public). Ces résultats ont été obtenus lors d’un concours international indépendant des éditeurs, organisé par des chercheurs universitaires reconnus dans le domaine de l’exploration de données.

La précision accrue des modèles prédictifs TIMi se traduit par une différence considérable en termes de retour sur investissement pour un opérateur de télécommunications.

TIMi a également été utilisé pour créer un modèle prédictif de désabonnement pour un revendeur de produits cosmétiques de renommée mondiale.

L’objectif ici est d’identifier les clients qui n’achèteront plus leurs produits cosmétiques chez le même revendeur. Plus précisément : ce qui nous intéresse en réalité, c’est la prédiction inverse : « Qui sont les clients fidèles ? » (en d’autres termes, vous souhaitez un modèle prédictif capable d’identifier les clients qui « achèteront à nouveau »). Une fois que vous savez qui sont vos clients fidèles, vous pouvez les récompenser par des bons de réduction et des remises.

Voici les résultats du modèle prédictif :

Offrir des bons de réduction d’une valeur élevée à des clients non fidèles pourrait vous coûter une somme considérable sans pour autant améliorer la fidélité de votre clientèle. Une fois encore, même dans ce contexte simple, la précision du modèle prédictif est essentielle à la réussite de votre campagne de fidélisation.