Article

Attrition : comment limiter le départ de vos clients grâce à la data science ?

Comment prévenir l’attrition, autrement dit le départ de ses clients ? Cette question, tous se la posent. Nous proposons dans ce billet une approche par la Data Science et l’analyse à la volée des traces de navigation laissées par vos clients sur vos sites et applications.

Votre entreprise utilise avec succès toutes sortes d’outils de marketing digital pour dynamiser le développement de ses activités en ligne. Pour autant, il reste un point noir au tableau : malgré une connaissance approfondie de leurs usages et préférences, et mis à part quelques cas particuliers, il vous est toujours aussi difficile de détecter vos clients sur le départ, ce qui vous empêche de réagir à temps pour les retenir. Pourtant, la matière qui vous permettrait de le faire est là, sous vos yeux… 

Parcours utilisateur et données de navigation : votre mine d'informations

Cette matière, ce sont les traces que chacun d’eux laissent en navigant sur vos sites ou vos applications (en tout respect du RGPD, bien entendu) : passage sur une page, mots clés saisis dans le moteur de recherche, etc. Cachées dans les historiques d’événements de vos systèmes, ces données, dites chaudes (par opposition aux statistiques d’usage et aux données de profil, qualifiées de froides), matérialisent le parcours de vos clients à un instant donné. Astucieusement corrélées, elles peuvent se révéler riches d’enseignement et démasquer diverses intentions, comme celle de vous quitter… 

La démarche que nous vous suggérons consiste donc à scruter ces données de navigation à la volée pour détecter les événements ou plutôt les séquences ou associations d’événements qui préfigurent un départ. Certaines séquences apparaissent évidentes (un client insatisfait qui consulte la page de résiliation d’un contrat, par exemple). Mais bien souvent, les signes avant-coureurs sont subtils et résultent de la combinaison d’une somme de paramètres.

Utiliser la Data Science pour ses actions de rétention client

La Data Science est d’un grand secours. Elle permet, à partir de l’analyse de tous vos historiques, de créer des algorithmes très puissants en mesure de détecter ces signaux faibles, d’établir les bonnes corrélations et de prédire le risque d’attrition. Il restera ensuite à mettre en place des seuils d’alerte définis selon un certain nombre de règles (niveau de prédiction, présence d’un motif aggravant ou profil du client, par exemple) et à développer les automatismes qui, une fois les seuils atteints, déclencheront la mise en œuvre de vos processus de rétention.

Prenons un exemple dans la distribution spécialisée. Soumis à la versatilité de leurs clients, les retailers se sont, en effet, attaqués depuis longtemps au problème de l’attrition. Aujourd’hui, les acteurs de ce marché élaborent et utilisent quotidiennement des modèles prédictifs très sophistiqués. Un distributeur sait, ainsi, prédire la date à laquelle un client risque de tomber dans l’inactivité - événement qui annonce l’imminence d’un arrêt de la relation client. Il peut aussi, dans certains cas, remonter à la cause racine de la désactivation. Cette connaissance lui offre la possibilité d’intervenir à temps et de proposer au client une solution à son problème de relation client, de gestion de commandes, de tarif etc.

Les actions de rétention dépendront de chaque entreprise. Elles devront cependant suivre quelques règles de bon sens :

• Apporter, si possible, une réponse en relation avec le motif de résiliation si celui-ci est identifié.
• Respecter les modes de contact préférés du client. 

La Data Science ouvre, ainsi, une piste pour freiner efficacement le phénomène d’attrition. On peut l’utiliser aussi, à l’inverse, pour améliorer les actions de fidélisation et la personnalisation des sollicitations digitales ; en veillant toutefois à contrôler la pression commerciale. Philippe vous en parle d'ailleurs dans son article de blog : Le triangle d'or de la sollicitiation digitale.

Dans tous les cas de figure, c’est un outil qui doit vivre : une supervision humaine permettra de s’assurer du maintien de l’efficacité et de la pertinence des résultats au fil du temps et d’améliorer le modèle, le cas échéant, en intégrant de nouveaux pans de données.