Comment améliorer la rétention avec Churn Prediction Analytics

La prédiction de l'attrition utilise des modèles d'intelligence artificielle (IA) et d'apprentissage automatique (ML) pour identifier les clients qui risquent d'être désabonnés . Grâce à ces informations, les entreprises peuvent prendre les mesures nécessaires pour optimiser les domaines de leur activité qui causent des frictions et garder sous contrôle les niveaux d'attrition des clients.

Les clients se détournent pour de nombreuses raisons, des expériences de service client négatives à la recherche de meilleures offres d'un concurrent ou à un manque de valeur perçu de votre produit. Améliorer la fidélisation de la clientèle et maintenir votre taux de désabonnement à un faible niveau est essentiel, d'autant plus que l'acquisition de nouveaux clients est coûteuse.

Qu'est-ce que la prédiction de désabonnement ?

La prédiction de désabonnement est un processus dans lequel les entreprises utilisent des modèles d'IA et de ML pour prévoir quels clients sont les plus à risque de mettre fin à leur clientèle. La prédiction de désabonnement utilise des données client basées sur le comportement et l'utilisation de l'utilisateur. La prédiction et la prévention de l'attrition client permettent aux entreprises de :

• Identifiez les clients à risque et mettez en œuvre des efforts très ciblés pour les empêcher de se désabonner.
• Identifiez les points faibles et les frictions tout au long du parcours client.
• Identifiez les stratégies qui ciblent ces points faibles pour réduire le taux de désabonnement et augmenter les taux de rétention.

Est-il réellement possible de prévoir le taux de désabonnement des clients ?

Grâce aux algorithmes d'apprentissage automatique et au big data, prévoir le taux de désabonnement des clients est en fait une possibilité. Les techniques d'analyse de données sont utilisées pour examiner les tendances comportementales passées et les modèles de comportement des clients.

L'idée est que vous pouvez identifier des comportements spécifiques comme des actions à risque de désabonnement et y remédier avant qu'il ne soit trop tard. Ceux-ci sont souvent appelés métriques de drapeau rouge . Par exemple, vous constaterez peut-être que les clients qui ne vous suivent plus sur les réseaux sociaux ou qui désinstallent votre application sont plus à risque d'être désabonnés.

Lors de la prédiction de désabonnement, il est important de garder à l'esprit ce qui suit :

• La proactivité est essentielle lorsqu'il s'agit de fidéliser la clientèle. La prévision de désabonnement devrait vous aider à mettre en place des plans pour interagir avec les clients à risque dès qu'ils sont signalés comme tels.
• Assurez-vous que votre technique de prévision du désabonnement identifie avec précision les clients susceptibles de partir. Une mauvaise identification des clients à risque pourrait vous amener à dépenser des ressources pour des campagnes de sensibilisation et des offres spéciales sans raison, ce qui entraînerait une réduction des revenus.
• Vous avez besoin d'un modèle de prédiction de désabonnement basé sur des sources de données obtenues en temps réel. Ces données reflètent les comportements actuels et conduiront à des prédictions plus précises.

Prédiction de désabonnement pour les sociétés d'abonnement

Les entreprises dont le modèle commercial est basé sur la vente de services d'abonnement (SaaS B2B, streaming musical et télécommunications, pour n'en citer que quelques-unes) s'appuient sur les revenus récurrents qu'elles génèrent auprès de leurs clients. La prévision du taux de désabonnement, la fidélisation des clients et l'augmentation de la valeur à vie des clients sont particulièrement importantes pour ces entreprises.

Lors d'un entretien avec AltexSoft, Michael Redbord, alors directeur général de Service Hub chez HubSpot, a fait valoir que :

Des taux de désabonnement élevés signifient moins de revenus en raison d'une diminution du nombre de clients. De plus, les personnes qui quittent une entreprise en raison de mauvaises expériences sont susceptibles de laisser des avis négatifs, impactant son image et rendant encore plus difficile l'attraction de nouveaux clients.

Il existe de nombreux types de fournisseurs de services par abonnement qui peuvent bénéficier de l'utilisation de la prédiction de désabonnement. Certains de ces secteurs comprennent:

Services de streaming musical et vidéo

Ces sociétés offrent un accès à la demande à la musique, aux émissions de télévision et aux films à leurs abonnés. Des exemples de telles sociétés incluent Netflix et Spotify. Selon le rapport 2022 de Deloitte sur les tendances des médias numériques, les services de streaming vidéo payants aux États-Unis ont enregistré un taux de désabonnement constant de 37 % depuis 2020.

Médias

Les entreprises de médias d'information se sont tournées vers le numérique au cours des dernières années. En 2021, 65% des personnes aux États-Unis ont déclaré qu'elles n'obtenaient jamais ou rarement leurs nouvelles de la presse écrite. Des organisations comme le New York Times et le Financial Times proposent à leurs clients des forfaits d'abonnement numérique où ils peuvent accéder à des articles de presse et à des informations via leurs plateformes en ligne.

Malgré le passage au numérique, les applications d'actualités mobiles ont encore connu un taux de désinstallation de 25 % en 2022.

Fournisseurs de services de télécommunications

Les entreprises de télécommunications offrent une gamme de services par abonnement tels que les services sans fil, de télévision, Internet et de téléphonie mobile. Ces sociétés incluent AT&T et Vodafone. En 2020, les entreprises de télécommunications ont connu un taux d'attrition de 20 %.

Entreprises de logiciels en tant que service (SaaS)

Les entreprises SaaS incluent toute entreprise qui offre un type de service basé sur le cloud. Cela peut aller des services de conception graphique en ligne comme Canva aux plateformes de commerce électronique comme Amazon.

Selon Woopra, le taux de désabonnement mensuel moyen pour les entreprises SaaS se situe entre 3 % et 8 %. Annuellement, c'est 32-50%.

Comprendre les cycles de vie de vos clients

Avant de pouvoir prédire l'attrition, vous devez comprendre les cycles de vie de vos clients. Un outil d'analyse de produit comme Amplitude Analytics peut répartir vos utilisateurs actifs en quatre sous-groupes : les nouveaux utilisateurs, les utilisateurs actuels (actifs), les utilisateurs ressuscités (anciennement inactifs) et les utilisateurs dormants (inactifs). Vous devez garder un œil sur chaque groupe d'utilisateurs pour vous assurer que la base d'utilisateurs de votre produit augmente au fil du temps.

Cette vue permet de mesurer le taux de désabonnement de manière continue, afin que vous puissiez prendre des mesures pour le réduire. Vous devez vous efforcer d'augmenter votre nombre d'utilisateurs actuels et ressuscités en gardant les utilisateurs engagés ou en leur donnant une raison de redevenir actifs. Vous voudrez également réduire votre nombre d'utilisateurs dormants ; si ce groupe commence à grandir, vous pourriez avoir un problème d'engagement entre vos mains.

Modèle de prédiction du taux de désabonnement : la clé pour améliorer la fidélisation des clients

Grâce à des outils tels que les CRM et les logiciels d'analyse, les entreprises peuvent accéder à de vastes ensembles de données contenant des informations sur leurs clients tout au long de leur cycle de vie. Ces données historiques sont cruciales pour construire votre modèle de prédiction de l'attrition des clients à l'aide d'outils comme Amplitude Audiences.

Vous pouvez créer votre modèle de prédiction de désabonnement en suivant cinq étapes.

1. Identifiez vos objectifs de prédiction de désabonnement

La première étape pour garantir des performances optimales du modèle de prédiction de l'attrition consiste à identifier et à définir ce que vous souhaitez obtenir à partir de votre modèle. À haut niveau, vous visez à :

• Réduisez l'attrition des clients en identifiant lesquels de vos clients sont les plus à risque d'attrition.
• Comprenez les raisons pour lesquelles vos clients à risque pourraient être susceptibles de se désabonner.
• Concevez et mettez en œuvre des changements dans le parcours client pour favoriser la fidélisation de vos clients à risque.

2. Préparation des données

Que ce soit via votre CRM, votre logiciel d'analyse ou les commentaires directs des clients, vous collectez des données auprès de vos clients à chaque point de contact de leur parcours d'achat.

La collecte de données client pertinentes et leur préparation pour la classification et l'extraction constituent la deuxième étape vers la création de votre modèle de prédiction de l'attrition. Si vous utilisez un outil d'analyse, lisez notre Guide des données comportementales et du suivi des événements pour savoir comment collecter des données précises.

3. Travailler avec des fonctionnalités

Utilisez l'ingénierie des fonctionnalités pour représenter et catégoriser les clients en fonction des fonctionnalités qui les font probablement perdre. Il existe cinq types de fonctionnalités lorsque l'on parle de désabonnement client :

• Caractéristiques du client : il s'agit d'informations générales et démographiques sur le client, telles que son âge, ses revenus et son niveau d'éducation.
• Fonctionnalités d'assistance : elles font référence aux interactions de vos clients avec votre équipe d'assistance à la clientèle, y compris le nombre d'e-mails envoyés, le délai de résolution et les taux de satisfaction une fois le problème résolu.
• Fonctionnalités d'utilisation : elles décrivent les éléments de la manière dont un client utilise votre produit ou service. Par exemple, la durée moyenne des appels pour les clients des entreprises de télécommunications ou le nombre de fois que les utilisateurs se connectent à une application.
• Fonctionnalités contextuelles : elles incluent toutes les informations contextuelles dont dispose une entreprise sur le client. Il peut s'agir du système d'exploitation qu'ils utilisent sur leur appareil ou de leurs achats antérieurs.
• Caractéristiques comportementales : il s'agit des comportements et des actions spécifiques que les clients adoptent à l'intérieur de votre produit. Par exemple, le nombre de fois qu'un utilisateur partage une liste de lecture dans une application de diffusion de musique.

Une fois que vous avez identifié les fonctionnalités sur lesquelles vous concentrer, vous devrez les extraire pour standardiser les variables ou les attributs. Vous ne devez sélectionner que les informations pertinentes pour l'analyse de l'attrition.

4. Construisez votre modèle

Les algorithmes ML fonctionnent généralement à l'aide d'une classification binaire, qui organise vos variables cibles et leur donne une valeur vraie ou fausse. En d'autres termes, cette caractéristique spécifique a-t-elle provoqué le désabonnement de votre client ou non ? Par exemple, la désinstallation de l'application de leur téléphone entraîne-t-elle généralement une perte de clients ?

Un autre modèle prédictif courant est un arbre de décision, qui utilise toutes les fonctionnalités disponibles et fournit des résultats potentiels. Le modèle d'arbre de décision fournira plusieurs scénarios pour voir si un client se désabonnera ou non.

Dans le cas des entreprises travaillant avec des ensembles de données plus volumineux, vous pouvez créer des modèles prédictifs sur de nombreux arbres de décision, également appelés forêts aléatoires. Dans une forêt aléatoire, chaque arbre de décision a une classification avec une réponse positive ou négative. Si la majorité des arbres de décision fournissent des réponses positives, la prédiction finale sera positive.

5. Surveillance de votre modèle

Une fois votre modèle prêt, il est temps de l'intégrer à votre outil de prédiction. Avec cet outil, vous pouvez tester et surveiller les performances de votre modèle et apporter des ajustements aux fonctionnalités si nécessaire. Vous implémentez votre modèle choisi et l'envoyez en production. Si elle fonctionne bien, vous pouvez soit mettre à jour votre application existante, soit l'utiliser comme élément central d'un nouveau produit.

Construire un modèle de prédiction dans un outil d'analyse

Voyons comment créer un modèle de prédiction dans un outil d'analyse comme Amplitude.

1. Définir une cohorte ou un groupe d'utilisateurs de départ

2. Prédire leur futur état de résultat

Les prédictions utilisent le comportement passé pour prédire le comportement futur. Un outil d'analyse comme Amplitude examinera les utilisateurs qui faisaient partie de la cohorte de départ il y a deux périodes et identifiera les utilisateurs qui ont atteint le résultat souhaité il y a une période, ainsi que ceux qui ne l'ont pas fait.

3. Classez et notez les utilisateurs en fonction de ce modèle

Le modèle prédictif calcule un score probabiliste pour chaque utilisateur de la cohorte de départ afin d'atteindre le résultat souhaité dans les 7, 30, 60 ou 90 prochains jours. Le modèle se réentraîne tous les jours pour tenir compte des données saisonnières.

L'image ci-dessous montre les 5 % supérieurs.

4. Utilisez des cohortes prédictives pour éclairer vos stratégies produit et marketing

Vous pouvez utiliser des cohortes prédictives pour segmenter les utilisateurs en fonction de leur probabilité d'attrition. Transformez vos utilisateurs classés de l'étape 3 en une nouvelle cohorte et reciblez-les en :

• Les inclure dans des campagnes marketing conçues pour augmenter la rétention
• Proposer une tarification dynamique, y compris des tarifs réduits ou des offres spéciales
• Personnaliser le contenu et les expériences produit en fonction de leurs préférences
• Ajuster la fréquence des messages en fonction de leur probabilité de conversion ou d'abandon
• Exécution de tests A/B personnalisés pour expérimenter de nouveaux changements de site Web ou de produit

Par exemple, si vous trouvez une cohorte d'utilisateurs avec une forte probabilité d'attrition, vous pouvez utiliser des tactiques de tarification inversée pour leur offrir une remise ou une incitation plus importante.

Premiers pas avec l'analyse de prédiction de désabonnement

Malgré la complexité de la prédiction du taux de désabonnement, il est facile de le faire avec les bons outils. Amplitude permet aux équipes non techniques de créer des modèles d'IA complexes sans écrire de code ni s'appuyer sur des ressources d'ingénierie et des dépendances. Utilisez simplement une interface en libre-service avec des actions pointer-cliquer pour créer un modèle puissant pour prédire et réduire le taux de désabonnement. Essayez-le vous-même gratuitement avec le plan de démarrage d'Amplitude.

Regardez la vidéo ci-dessous pour apprendre à calculer le taux de désabonnement dans notre expérience de démonstration en libre-service.

Références

• Acquisition de clients par rapport aux coûts de rétention, Invesp
• Prévision de l'attrition des clients pour les entreprises d'abonnement utilisant l'apprentissage automatique : principales approches et modèles, AltexSoft
• Taux de désabonnement vs taux de rétention : comment calculer ces KPI SaaS, Woopra