Création d'un modèle de prédiction des départs clients pour un distributeur IT

Un contrat de services se reconduit par défaut, ce qui masque le désengagement jusqu'au jour de la non-reconduction. Ce jour-là, la discussion commerciale est déjà perdue.

Les signaux existaient pourtant, éparpillés entre l'historique de commandes, les tickets de support et l'activité sur les différents canaux. Aucun ne dit grand-chose seul, et personne n'avait le temps de les recouper client par client.

L'enjeu n'était pas de produire un indicateur de plus. C'était de donner à l'équipe commerciale une liste courte de comptes à rappeler pendant qu'il est encore temps.

Croiser trois familles de signaux plutôt qu'une

Approche : le désengagement se voit dans la combinaison

Historique d'achat et rythme de consommation, contenu et fréquence des tickets de support, engagement multi-canal. Pris ensemble, ces signaux distinguent un client calme d'un client qui s'en va.

Construire le pipeline avant le modèle

Technologies : Python, collecte, nettoyage, préparation des variables

La qualité d'un modèle de churn se joue dans la préparation des données, pas dans le choix de l'algorithme. Le pipeline est reproductible de la collecte jusqu'aux variables.

Entraîner et valider sans se mentir

Technologies : XGBoost, Scikit-learn, validation croisée

Modèle optimisé par validation croisée et réglage des hyperparamètres. Un modèle de churn qui n'est pas validé correctement produit surtout de la confiance mal placée.

Déployer avec la surveillance qui va avec

Focus : un modèle qui vieillit doit se voir

Mise en production accompagnée d'un suivi des performances. Les comportements clients bougent, et un modèle laissé sans surveillance dérive en silence.

Le modèle est déployé et en phase de validation sur le terrain. Il sort déjà une liste de comptes à risque que l'équipe commerciale peut travailler.

Nous ne publions pas de gain chiffré tant que la validation terrain n'est pas terminée. Un taux de rétention annoncé trop tôt est une promesse, pas un résultat.

La suite se joue côté commercial : un score n'a de valeur que s'il déclenche une action définie à l'avance. C'est le chantier qui reste à mener avec les équipes.

Ce qu'une équipe commerciale attend d'un modèle, c'est un nom à rappeler lundi matin.

L'équipe commerciale sait où concentrer ses efforts de rétention avant qu'il soit trop tard, au lieu de découvrir un départ au moment du renouvellement.

Pipeline de données Python complet : collecte, nettoyage, préparation des variables.
Modèle XGBoost optimisé par validation croisée et réglage des hyperparamètres avec Scikit-learn.
Déploiement en production avec suivi des performances du modèle.