La fidélisation des clients est un défi majeur pour les entreprises, surtout lorsqu'il s'agit de prendre des décisions difficiles comme l'augmentation des prix. Une entreprise augmentait ses prix d'abonnement chaque année mais manquait de visibilité sur l'impact de ces augmentations sur la fidélité des clients et sur le point de prix qui maximiserait les bénéfices. Pour relever ce défi, ils ont fait appel à notre équipe d'experts en modélisation prédictive.

Cela n'est jamais aussi simple que de diviser un ensemble de données et de faire tourner un modèle d'entraînement-test. Les restrictions légales nous ont empêchés d'utiliser un modèle de désabonnement conventionnel pour cibler les clients pour les augmentations de prix. Au lieu de cela, nous devions travailler uniquement avec des caractéristiques non discriminatoires des clients.

Démarche

Nous avons commencé ce projet avec une problématique précise : comment déterminer l'augmentation de prix optimale pour l'abonnement d'un client tout en minimisant le risque de désabonnement ?

Manifestement, l'hypothèse de risque zéro est erronée, car les clients sont sensibles aux prix, notamment dans l'environnement inflationniste actuel. Nous avons commencé par analyser l'impact des hausses de prix précédentes. Pour cette étude d'événement, nous devions définir une fenêtre temporelle claire. Après consultation avec le client, nous avons convenu d'examiner le désabonnement des clients dans les 4 mois suivant chaque augmentation de prix, en nous concentrant spécifiquement sur les demandes d'annulation (CR) soumises sur une période de 2 mois.

Vue de la fenêtre temporelle

Après avoir terminé cette tâche, nous avons construit un ensemble de données complet contenant des caractéristiques variées issues des comportements historiques et actuels de nos clients. Cet ensemble de données a capturé les effets cumulatifs des hausses de prix précédentes et a inclus des variables externes comme le taux d'inflation. L'ensemble de données final était notoirement déséquilibré, avec un taux de désabonnement de seulement 1,5%.

Prédictions ?

Sur la base de notre analyse de données approfondie de la phase précédente, nous avons développé deux modèles prédictifs séparés - un pour les clients privés et un pour les entreprises. L'analyse a montré que ces groupes avaient des comportements nettement différents. Pour les deux segments, nous avons choisi des algorithmes de régression LGBM pour la sélection des caractéristiques et les prédictions. Parmi les nombreux algorithmes disponibles, nous avons sélectionné LGBM pour deux raisons principales :

• L'ensemble de données est déséquilibré.

• Les données sont transactionnelles.

Plutôt que de nous plonger dans les détails de la sélection du modèle, concentrons-nous sur les résultats des prédictions. Ils n'étaient ni exceptionnels ni médiocres—simplement adéquats. Cette performance n'était pas préoccupante car nous ne pouvions pas utiliser légalement un modèle prédictif de toute façon. Ce qui importait vraiment était la sélection des caractéristiques.

Probabilité de désabonnement, distributions pour différentes augmentations de prix.

Pour déterminer les classes de sensibilité, nous avons analysé la variabilité de la probabilité de désabonnement entre 0 % et 10 % d'augmentation de prix. Nous avons simulé des probabilités de désabonnement sur des augmentations de prix de 1 % à 10 %. Comme le montre la figure ci-dessous, nous avons identifié le groupe à faible risque (mis en évidence en rose). Ces clients ont démontré une forte loyauté—même avec une augmentation de prix de 10 % (notre valeur maximale testée), ils ont maintenu une probabilité de désabonnement inférieure à 55 %. Sur la base des seuils spécifiés par le client, nous avons identifié trois groupes distincts :

• Faible sensibilité : 47 % des clients / taux de désabonnement de 0,7 %

• Sensibilité moyenne : 32 % des clients / taux de désabonnement de 1 %

• Haute sensibilité : 21 % des clients / taux de désabonnement de 2,4 %

Le groupe à haut risque est 3,5 fois plus susceptible de se désabonner—une distinction notable étant donné notre ensemble de données déséquilibré.

Sélection des clients à faible risque.

Trouver un moyen : Critère de Multi-information

Vous avez peut-être remarqué que bien que nous utilisions un algorithme prédictif pour les prédictions, nous ne pouvons pas l'utiliser légalement pour déterminer des augmentations de prix. Voici notre solution : nous avons classé toutes nos caractéristiques construites en fonction de la façon dont elles distinguent bien entre les groupes à faible, moyenne et haute sensibilité.

Par exemple, examinons comment la caractéristique 'Nombre d'utilisations le mois dernier' se rapporte à ces trois classes de clients :

Nombre d'utilisations le mois précédant l'augmentation de prix, et sensibilité à l'augmentation de prix.

Nous avons appliqué le Critère de Multi-information pour trouver la meilleure combinaison de caractéristiques qui capturerait la variance des données tout en éliminant la redondance. À des fins commerciales pratiques, nous avons sélectionné dix caractéristiques et les avons combinées par groupes de trois, créant 120 combinaisons possibles.

Solution & Résultats

Nous avons mis en œuvre la combinaison de trois caractéristiques qui distinguait le mieux entre les groupes à faible, moyenne et haute sensibilité. Par exemple, les clients sans utilisation tombaient systématiquement dans la catégorie à haut risque. Cette approche nous a permis de créer des groupes purement basés sur les caractéristiques des utilisateurs et d'analyser leurs taux de désabonnement historiques. Chaque groupe a également montré des niveaux distincts de sensibilité au prix, que nous avons mesurés par régression linéaire.

Notre solution finale permet aux équipes commerciales de sélectionner trois caractéristiques parmi une liste de dix pour former des groupes de sensibilité. L'outil génère des rapports détaillés pour chaque groupe, affichant les taux de désabonnement projetés et les augmentations de prix recommandées. Il calcule à la fois le risque de désabonnement et l'augmentation de profit escomptée des ajustements de prix, puis détermine le rendement total escompté en comparant ces facteurs. Nous avons livré à notre client une liste détaillée des augmentations de prix recommandées, appuyée par des données historiques montrant leur impact sur la fidélisation des clients. Nous avons également fourni des conseils sur la combinaison optimale des caractéristiques des utilisateurs pour une segmentation efficace des groupes.

Pour conclure

Bien que simple d'un point de vue commercial, ce projet présentait des défis uniques. Tandis que les aspects techniques comme l'analyse des données et la modélisation prédictive sont notre spécialité, le véritable défi résidait dans la navigation dans les contraintes légales. Notre équipe a dû distiller le comportement complexe des clients en seulement trois caractéristiques distinctives—tout en maintenant une précision maximale. C'était un territoire inconnu pour nous, mais c'est exactement ce qui le rendait passionnant !