Churn Prediction

Contexte & objectif

• Opérateur télécom confronté à un churn de 26 %.
• Objectif : prioriser les clients à risque pour des actions de rétention à ROI positif.

Approche (en bref)

• Exploration des données (7 043 clients, 21 variables) et contrôle qualité.
• Modélisation avec pipeline reproductible (One-Hot, imputation), baselines → Régression Logistique (réf.), comparaison arbres (HGB, RF).
• Évaluation sur échantillon test : AUC, Average Precision, Brier, Recall/Lift @Top-10 %.
• Simulation business : choix d’un seuil optimisé selon coûts/bénéfices.

Résultats clés

• Modèle retenu : Régression Logistique (interprétable, robuste).
• Performance : AUC 0,84, AP 0,63, Brier 0,14.
• Ciblage : Top-10 % des clients scorés capture ~28 % des churners (Lift ~2,8).
• Seuil business optimal : 0,27 → gain net attendu ≈ 5 500 € sur l’échantillon test (hypothèses : 2 € contact, 10 € offre, 120 € revenu sauvé, 35 % acceptation).

Facteurs explicatifs (actionnables)

• Risque ↑ : Contrat Month-to-month, Electronic check, Fibre sans options, absence de TechSupport/OnlineSecurity.
• Risque ↓ : Tenure élevé, contrats 1–2 ans, paiements automatiques.

Recommandations opérationnelles

1. Ciblage mensuel du Top 10–20 % scoré (selon budget).
2. Offres d’engagement pour “Month-to-month” (remise 1–2 ans, device subventionné).
3. Migration paiement Electronic check → prélèvement automatique (incentive léger).
4. Upsell services (TechSupport/OnlineSecurity) avec essai gratuit 2–3 mois.
5. Programme onboarding pour nouveaux clients (<6 mois) : contact proactif, tutoriels, geste commercial.
6. Fibre : prioriser les clients avec tickets récents (support proactif, compensation ciblée).

Plan de mise en œuvre

• Intégration CRM : scoring mensuel, liste priorisée exportable.
• A/B testing : mesurer uplift réel des campagnes (prise, rétention, ROI).
• Monitoring : drift, recalibrage trimestriel, revue des coûts hypothèses.
• Conformité : variables explicables, logs de scoring, gouvernance modèle.

Bénéfices attendus

• Réduction du churn sur segments à forte propension.
• Amélioration du ROI des campagnes (ciblage 3× plus efficace que hasard).
• Décisions lisibles grâce à un modèle interprétable et prêt à industrialiser.