Comment l’IA peut aider à retenir ses clients ? (Churn)

Dans un contexte hyper concurrentiel où la voix du client est de plus en plus présente et valorisée, retenir et fidéliser ses meilleurs clients en diminuant leur churn est un enjeux majeur pour de nombreuses entreprises (retailers, opérateurs téléphoniques, banques…)! Les transformer en ambassadeurs est l’étape suivante (the cherry on the cake!). 

Surtout quand on sait que :

• Un client très satisfait en parle à 3 personnes
• Un client mécontent en parle à 12
• Un client très mécontent en parle à 20
• et que 98% des clients mécontents ne se plaignent jamais, ils se contentent de vous quitter
  Source (Customer Genius de Peter Fisk)

Face à un client mécontent ou déçu, “la connaissance client est la clé” et c’est précisément là que l’IA (l’Intelligence Artificielle) peut intervenir.

L’IA, c’est quoi ? 

L’IA, en plus d’être un buzz word, est aussi et surtout un ensemble de d’algorithmes qui, à partir de données, peuvent notamment générer des prédictions, afin de nous aider dans la prise de décisions. Prenons l’exemple du churn : 

Contrairement à l’être humain, l’IA peut s’avérer, dans de nombreux cas, être beaucoup plus : 

• rapide (elle répond en milliseconde)
• fiable (elle ne prend pas de congé et vous pouvez l’appeler à 22h)
• scalable (elle peut répondre 1 fois ou 10 000 fois simultanément sans que cela change sa réactivité)
• performante (elle peut maîtriser d’immenses volumétries de données et affiner ses résultats continuellement) 

En somme, avec de bonnes données, un algorithme performant et une restitution adaptée, une IA peut aider l’être l’humain dans de nombreuses situations.

OK et du coup comment une IA peut-elle m’aider à retenir mes clients  et diminuer mon churn ? 

Une IA peut aider notamment sur quatre niveaux : 

Super ! Comment créer une IA de rétention dans ce cas ?

1. Récupérer des données pertinentes

Pas de data, pas d’IA. 

Ici, l’important est d’avoir de l’information pertinente sur ce qu’on essaye de prédire. On peut notamment s’appuyer ici sur :

• les données internes de l’entreprise : les données de navigation web, les interactions avec le service client pour essayer de capter si ce dernier a des problèmes de connexion à un service ou recherche quelque chose qu’il ne trouve pas par exemple.
• les données issues de sources externes : il est en effet possible d’acheter de nombreuses informations sur les individus afin d’enrichir sa base. On peut notamment savoir si une personne est allée sur un site concurrent, si elle va déménager à l’étranger, et même se marier ! Autant d’informations qui peuvent aider à repérer les potentiels churners (en restant en conformité avec la loi bien sûr, mais oui… c’est effrayant!…).

Cette étape est la plus longue et la plus complexe dans la mise en place de l’IA. Vous allez vous heurter notamment à des problèmes de qualités et d’accès aux données, qu’il faudra résoudre avant de pouvoir : 

2. Mettre en place un algorithme performant 

Des algorithmes d’IA et des façons de les optimiser, il en existe une infinité. Cela va beaucoup dépendre de vos données et de la finalité de l’IA.  

Dans le cadre du churn, un algorithme permettant de prédire une probabilité sera utilisé (on appelle cela un algorithme supervisé). 

L’enjeux ici étant d’ajuster l’algorithme pour avoir de bonnes performances et un véritable intérêt opérationnel. Des tests doivent permettre de valider l’apport de l’IA.

3. Rendre son IA “explicable”

Une IA non comprise est une IA non utilisée. Il faut savoir que 80% des projets Data Science ne sont jamais utilisés principalement par manque de confiance malgré la valeur qu’ils peuvent apporter. (source : gartner).

L’objectif est alors de concevoir des algorithmes interprétables et de restituer des résultats compréhensibles et activables par un être humain. On vous en dit plus sur ce sujet ici

Il faut bien évidement rajouter à ces points les enjeux technologiques (avoir une architecture scalable, sécurisée, etc.), organisationnels et d’industrialisation notamment.

Et maintenant ?

Le plus simple est de commencer par un “proof of Value” (concrètement c’est un projet de 5 à 10 jours) qui montrera rapidement le potentiel ROI à mettre en place une IA (en pilotant le montant perdu à cause du churn par exemple) :

• Si je n’ai pas les données, je me concentre sur la collecte de données de qualité et pertinentes pour la problématique que je souhaite adresser (pas de data, pas d’IA!)
• Si j’ai les données mais pas de Data Scientist, 2 solutions : 
  • Je me tourne vers des solutions de Data Science sur l’étagère 
  • Je fais appelle à des consultants (et dans ce cas, il faudra penser au monitoring, au maintien et à l’évolution du modèle dans le temps)
• Si j’ai les données et les Data Scientists, je défini avec eux les enjeux du projet ainsi que mes critère de succès et mets en place un algorithme adapté. 

Si à l’issue du POV le ROI est prouvé, je définis un process business associé et passe à l’étape “d’industrialisation” de l’IA. Pour en savoir plus sur cette étape : ici

Nous espérons que cet article vous aura donné une idée de l’intérêt et de mettre en place une IA qui détecte les churners. Nous sommes preneurs de vos retours et reviendrons bientôt avec d’autres applications métier de l’IA.

Article écrit par Anne-Sophie LAUGIER, Louis-Baptiste FRANCE et Zack CAO