Voici quelques mois maintenant – avant la création d’Autour du Client -, j’ai été consulté pour construire et mettre en oeuvre un modèle prédictif de la rétention clients, pour le compte d’une compagnie d’assurances filiale d’un groupe bancaire français.

Cette compagnie d’assurances conduisait déjà, depuis environ un an, une campagne téléphonique récurrente de rétention, en faisant contacter un par un tous ses clients résiliateurs de contrats (automobile, multirisque habitation, garantie accidents de la vie, protection juridique), au fur et à mesure des demandes de résiliation.

Le centre de contacts prestataire de cette compagnie d’assurances désirait optimiser ses campagnes d’appels, en commençant à la fois par les clients les plus susceptibles d’être retenus, et ceux financièrement les plus intéressants à retenir.

Scorer la base de données des clients susceptibles d’être appelés pour leur associer une « probabilité individuelle d’être retenu » fut un travail de datamining classique (mais toujours conséquent) qui permit de gagner progressivement en efficacité : après déploiement du modèle prédictif au sein du système d’information et auprès des équipes de terrain, les appels de rétention furent priorisés en partant des clients les plus rentables à retenir, pour la compagnie d’assurances comme pour son prestataire.

Il fut très satisfaisant d’observer – ce n’était pas gagné d’avance – que le modèle de prévision des rétentions (en l’occurrence une équation de régression logistique) construit à partir de l’historique des données de campagnes d’appels fonctionnait très correctement : l’on arrivait à prédire avec une bonne fiabilité le comportement du client résiliateur contacté pour être retenu.

En effet, plus la probabilité de rétention a priori était élevée, plus le taux de rétention constaté a posteriori se révélait lui-même élevé : si en moyenne, tous scores confondus, le taux de rétention avoisinait les 20%, celui -ci bondissait à 40% lorsque les appels étaient ciblés auprès des clients résiliateurs dont la probabilité annoncée d’être retenus était située entre 30 et 60% ! A l’autre extrémité, les clients résiliateurs dont on prédisait qu’ils allaient être plus difficiles à retenir (avec une probabilité de rétention d’au maximum 20%) voyaient leur rétention effective chuter à 13%.

La pertinence de ce scoring prédictif prouve – s’il en était encore besoin – que l’apport du datamining peut souvent s’avérer déterminant dans la mise en oeuvre et l’optimisation des actions visant à conserver des clients qui ont manifesté la volonté de partir.

En amont, cette démarche de modélisation prédictive devient encore plus efficace lorsqu’il s’agit de détecter le risque de départ des clients (avant de le découvrir lorsqu’ils le font savoir !). En aval, elle est utilement complétée par le repérage des clients que l’on peut avoir intérêt à reconquérir (même s’ils sont partis depuis longtemps !).

A cet égard, Autour du Client a pour objectif de démocratiser l’utilisation du datamining – notamment auprès des PME-PMI – et de mettre à leur service son expertise en ce domaine, accumulée au fil des années en institut d’études de marché et en centres de relation client.