Prédire et optimiser la valeur vie client

Concrètement, dans un modèle de désabonnement, on calcule la probabilité qu’un client donné passe de l’« état de client normal » à l’« état de client ayant résilié son abonnement ». Illustrons cela à l’aide d’un petit graphique :

Le terme « ACVL segment_s » désigne la « valeur moyenne de la durée de vie client » de l’ensemble des clients appartenant au(x) segment(s) : cette valeur doit être fournie par l’analyste métier ou l’équipe marketing.

La prévision de la CLV (valeur vie client) d’un « » individuel qui se trouve actuellement dans le segment « état actif » est la suivante :

… ou, pour le dire plus simplement :

…où P churn(INDi) est la probabilité de désabonnement au cours des trois prochains mois pour l’individu « IND i ».

Cette probabilité est calculée à l’aide d’un modèle prédictif (généralement élaboré avec TIMi).

Voici un autre graphique qui illustre le cas plus général :

Le tableau ci-dessus présente 4 états (clients à forte valeur, clients à valeur moyenne, clients à faible valeur, clients perdus). Ces états peuvent être définis à l’aide de règles métier (ce qui constitue la manière la plus « naturelle » de procéder) ou résulter d’une segmentation avancée créée avec Stardust. Vous devez créer un modèle prédictif pour chaque transition possible. Cela signifie que, dans ce cas simple, il y a déjà 8 modèles prédictifs à créer (au moins 5). Dans le tableau ci-dessus, toutes les transitions possibles ne sont pas illustrées. Par exemple, pour la « TRANSITION ml », vous devez créer un modèle prédictif qui estime la probabilité qu’un client se trouvant dans l’état « client à valeur moyenne » passe à l’état « client à faible valeur » au cours des 3 prochains mois.

Comme vous pouvez le constater, la mise en place de l’ensemble du système servant à prévoir la CLV réelle (avec 3 mois d’avance) d’un client est un processus très chronophage, car elle implique la création de nombreux (très nombreux !) modèles différents (un pour chaque transition). Heureusement, grâce à TIMi, la création d’un modèle prédictif est assez rapide.

C’est pourquoi TIMi constitue la solution optimale pour mettre en place un système permettant de prédire la CLV réelle d’un client.

Une fois tous les différents modèles prédictifs calculés, notre outil ETL analytique (Anatella) comporte une petite fenêtre qui prédit directement la CLV de chaque client. Cette case est assez simple : par exemple, la CLV prédite (sur une période de 3 mois) d’un individu « IND i » se trouvant actuellement dans l’état « Client à faible valeur » est :

La CLV prévue (sur une période de 6 mois, soit deux pas de temps à l’avance) d’un individu « IN i » se trouvant actuellement dans l’état « Client à faible valeur » est la suivante :

Bien sûr, la précision de la prévision de la CLV dépend entièrement de celle des « modèles prédictifs individuels » qui composent le système de prévision de la CLV. La plupart du temps, ces « modèles prédictifs individuels » présentent déjà une très faible précision ; vous ne devez donc pas vous attendre à une prédiction très précise de la CLV (en particulier si vous utilisez un outil d’exploration de données autre que TIMi pour créer ces « modèles prédictifs individuels »).

Les fournisseurs de solutions d’exploration de données cherchent souvent à ajouter de nouvelles fonctionnalités à leur outil plutôt qu’à améliorer celles déjà proposées. En effet, il est très difficile d’améliorer la précision des prédictions (c’est-à-dire d’obtenir un « lift » plus élevé sur l’ensemble de test) et il est beaucoup plus simple de proposer une nouvelle fonctionnalité (à peine opérationnelle) comme ce « système d’estimation de la CLV ».