Prédire l'attrition sans équipe de data science

Nul besoin de machine learning pour voir venir l'attrition. Trois signaux comportementaux en captent l'essentiel, suivis dans un tableur.

L'attrition se décide bien avant l'email de résiliation. Quand quelqu'un demande à partir, la décision a des semaines et la conversation n'est qu'une formalité. Toute la valeur se trouve dans la période précédente, et la détecter n'exige que rarement un modèle.

Les trois signaux qui captent l'essentiel

1. L'érosion d'usage. Pas l'usage nul : la pente. Un client à 60 % de sa propre moyenne sur trois mois est un signal plus fort qu'un client qui a toujours été peu actif.
2. Le silence après une mauvaise expérience. Une réclamation suivie de rien est pire qu'une réclamation suivie de cinq autres ; le second client est encore engagé.
3. Le départ du sponsor. La personne qui vous a choisi quitte l'entreprise et personne n'hérite de la relation. C'est l'attrition la plus prévisible qui soit, et la plus facile à manquer.

Que faire du signal

Une prédiction sur laquelle personne n'agit est un rapport coûteux. Définissez l'intervention à l'avance et rendez-la humaine : une vraie personne, une proposition d'aide précise, pas un email automatique « nous avons remarqué que vous ne vous connectez plus », qui sonne comme de la surveillance et non comme un service. Le taux d'intervention compte davantage que la précision de la prédiction.

Quand un modèle se justifie

Une fois plusieurs centaines de résiliations accumulées et les signaux évidents déjà traités, un modèle peut révéler des combinaisons invisibles à l'œil. En dessous de ce volume, il apprendra votre bruit avec assurance. La séquence honnête : mesurer, intervenir manuellement, puis automatiser ce qui a marché.

• 60% de sa propre moyenne d'usage comme seuil d'alerte
• 3 signaux qui captent l'essentiel
• 1 intervention humaine, définie à l'avance

Vous voulez la même chose pour votre entreprise ? Voir ce que nous faisons.