Gérer le churn de manière réactive est un euphémisme pour perdre des clients lentement.
Un acteur FMCG mondial de boissons regardait ses clients high-value disparaître sans préavis, nous avons construit le modèle qui les flagguait un mois avant leur départ.
20 décembre 2025
L'acteur avait une base de clients high-value sur un marché GCC régional, et un problème de churn qu'il ne pouvait voir que dans le rétroviseur. Les signaux comportementaux se produisaient en temps réel, appels de contact infructueux, intervalles entre commandes qui s'allongent, plaintes qui montent, mais aucun n'était combiné en un score de risque forward-looking. Les équipes rétention étaient réactives par structure : le temps qu'un pattern de churn soit visible, le client était déjà parti. Pire, les profils les plus high-value, contrats longs, SKUs premium, étaient ceux dont la perte était la plus conséquente et la plus évitable. La question : pouvait-on prédire le churn assez tôt pour intervenir, et assez serré pour concentrer la dépense rétention là où elle compte ?
- 01
Cadrer le churn avant de le modéliser.
Nous avons défini le churn opérationnellement, zéro livraison sur une fenêtre de deux mois, et labélisé deux ans de données historiques sur une base clients à cinq chiffres contre cette définition. Le choix éditorial : un cadrage précis de la variable cible est plus important que la sophistication du modèle. Une cible vague produit un modèle confiant qui se trompe de façons coûteuses.
- 02
Engineering des features qui capturent le comportement, pas seulement la démographie.
Nous avons dérivé des features comportementales décalées, dépense moyenne, fréquence de livraison, patterns de plaintes, taux de succès de contact, jours depuis le dernier achat, fenêtres d'inactivité les plus longues. Puis enrichi par du socio-économique : composition foyer, indicateurs de classe sociale, nationalité. Comportement plus contexte, aucun seul ne raconte toute l'histoire.
- 03
Optimiser pour la bonne erreur.
Nous avons entraîné un modèle tree-based et l'avons tuné pour le recall. En rétention, le coût de manquer un churner est plus élevé que celui de flagguer un faux positif, un outreach raté coûte peu ; un save manqué coûte cher. Nous avons tenu la précision à un niveau défendable et poussé le recall au mur.
Le modèle a prédit le churn un mois en avance avec 100 % de recall à 44 % de précision, exactement le trade-off que le cas d'usage exige. Les équipes rétention sont passées de réactives à proactives, se concentrant sur les profils high-value inactifs qui historiquement généraient des contrats longs et une dépense élevée. Le ciblage CRM s'est aiguisé : remises, escalades de support et outreach concentrés sur les clients réellement à risque. La logique de segmentation elle-même a absorbé les top drivers du modèle, devenant plus smart que les règles manuelles qu'elle remplaçait. Le déclic : un pipeline unifié allant de la segmentation au score de risque à l'action opérationnelle.
“En modélisation de rétention, la métrique que vous optimisez est la métrique qui définit votre stratégie. Optimisez pour le recall quand le coût de manquer importe plus que le coût d'une fausse alerte, et le reste du système s'aligne dessus.
Vous voyez des clients high-value churn d'un CRM qui ne l'avait pas vu venir ? Nous aidons les équipes commerce et CRM à transformer des dashboards rétrospectifs en pipelines de risque forward-looking.
Discutons
