Chaque client ayant résilié laisse une trace de signaux. La question est : qui dans votre organisation les a réellement captés ?

Un abonné passe à la facturation mensuelle. Le volume des billets de soutien augmente. Deux paiements échoués se produisent en 90 jours. Les pannes dans leur secteur de service atteignent les deux chiffres. Leur activité de diffusion en continu, auparavant régulière, cesse complètement.

Chaque signal d’alerte existe isolément. La facturation saisit la modification du contrat. Les opérations réseau consignent les interruptions de service. Le soutien documente les plaintes. Pourtant, le gestionnaire de la rétention, la personne la mieux placée pour intervenir, apprend le risque à la réception de l’avis d’annulation.

Cela représente le véritable coût de la perte de clients dans les télécoms : ce n’est pas seulement un manque à gagner, mais aussi des occasions perdues. Les données existaient. Les signes avant-coureurs étaient là. L’information cruciale est arrivée trop tard.

ChurnGuard est conçu spécifiquement pour éliminer cette lacune.

Ce que fait réellement ChurnGuard

ChurnGuard est une plateforme de rétention client qui fait le lien entre la prédiction du désabonnement basée sur l’AM et les équipes habilitées à agir en conséquence.

La plateforme génère en temps réel des scores de risque de désabonnement grâce à des modèles XGBoost déployés sur Amazon SageMaker. Ces prédictions, ainsi que les profils de clients complets et les signaux de risque identifiés, sont ensuite traités par des conseillers IA adaptés à chaque rôle, bâtis sur Amazon Bedrock.

Le principe de base est simple

Une probabilité de désabonnement de 0,83 a du sens pour un scientifique des données. Elle n’a aucune signification pour un agent de centre d’appels sur le point de joindre ce client. Cet agent a besoin de points de discussion clés et d’une ouverture recommandée.

Un gestionnaire de la rétention exige une comparaison des offres selon le rendement projeté. Un cadre a besoin d’une estimation du chiffre d’affaires à risque. Un responsable de la conformité veut une validation de l’équité.

Un client. Une prédiction. Intelligence adaptée à chaque rôle.

ChurnGuard rend cela opérationnel grâce à 14 conseillers IA spécialisés répartis sur 5 profils d’affaires, chacun s’appuyant sur des prédictions AM et des données client réelles.

À quoi cela ressemble-t-il pour un vrai client ?

Considérez ce cas : Un abonné, après trois mois de service sur un contrat mensuel avec Internet par fibre optique, paie par chèque électronique. Les données opérationnelles révèlent 8 pannes en 90 jours, une latence réseau moyenne de 145 ms et 5 billets de soutien ouverts.

Lorsque le moteur de prédiction avancé de ChurnGuard analyse ce client avec 38 caractéristiques, incluant des signaux opérationnels, il retourne une classification à haut risque, avec une probabilité de désabonnement dépassant nettement le seuil de 70 %.

Le système fait ressortir les principaux indicateurs de risque issus des données réelles du client :

• Contrat mensuel sans période d'engagement
• Méthode de paiement par chèque électronique - le type de paiement le plus corrélé à l’attrition selon les données d’entraînement
• Aucun service à valeur ajoutée (soutien technique, sécurité en ligne)
• 8 interruptions de service en 90 jours, latence moyenne de 145 ms, 2 échecs de paiement

De la prédiction à l’action

Les conseillers IA s’activent, chacun étant basé sur la prédiction et le profil de ce client :

• Le narrateur du signal de désabonnement traduit le score en langage clair, explique les facteurs de risque et quantifie l’impact sur l’entreprise.
• Le planificateur d’actions de rétention génère une stratégie de rétention ciblée avec un canal recommandé, une offre précise et une allocation budgétaire (dans la limite du seuil de rétention de 80 $ par client).
• Le simulateur d’offres modélise trois scénarios de rétention, en comparant le coût, la probabilité de rétention et le rendement sur l’investissement projeté.
• Le générateur de courriels de reconquête produit un message prêt à être envoyé, aligné sur la stratégie recommandée.

Rien n’est modélisé ou générique. Chaque résultat découle directement du score de prédiction et des données clients vérifiées.

Intelligence basée sur le rôle

Lorsqu’un représentant du service à la clientèle consulte ce même client, il reçoit des résultats entièrement différents : un résumé conversationnel des risques et une fiche de préparation d’appel de 30 secondes avec des points de discussion recommandés et des conseils sur ce qu’il faut éviter.

Même prédiction. Intelligence différente selon le rôle.

Pourquoi le modèle de persona est important

La plupart des solutions de prédiction de l’attrition échouent au même moment critique. Elles génèrent un score, puis laissent toute l’opérationnalisation à l’entreprise.

L’équipe de science des données construit le modèle, publie un tableau de bord et considère le travail terminé. Pendant ce temps :

• Les représentants du centre d'appels n'accèdent jamais au tableau de bord; ils se contentent de répondre au téléphone
• Les gestionnaires de la rétention voient la note mais n'ont aucune indication sur l'offre à proposer ou le canal à utiliser
• Les cadres reçoivent des rapports trimestriels sur la perte de clients, plusieurs semaines après la perte de revenus
• Les agents de conformité n'ont aucun mécanisme pour vérifier l'équité démographique dans les décisions du modèle

Le problème n'est pas la précision du modèle. C’est le dernier kilomètre : livrer la bonne information à la bonne partie prenante dans un format exploitable avant que le client ne se désabonne.

ChurnGuard résout ce problème grâce à 5 personas basés sur les rôles, chacun soutenu par des conseillers IA adaptés.

Cinq personas, conseillers IA adaptés au rôle

Fig. 1 : Personas basés sur le rôle et conseillers IA

Comment ça fonctionne - le processus de bout en bout

Comment ça fonctionne - le processus de bout en bout

Architecture technologique AWS

Fig. 3 : Architecture AWS pour ChurnGuard

Conçu pour les télécoms aujourd’hui, adaptable à n’importe quelle industrie demain

Le problème d’attrition n’est pas unique aux télécoms. Les compagnies d’assurances perdent des assurés. Les banques perdent des détenteurs de compte. Les plateformes de médias perdent des abonnés. La tendance demeure la même; seules les données diffèrent.

ChurnGuard est actuellement entraîné sur des données d’abonnés en télécommunications, mais l’architecture est indépendante du domaine. Le pipeline ML, les invites des conseillers IA et les seuils de risque sont entièrement configurables.

Processus d’adaptation : (BYOD - Apportez votre propre domaine/ensemble de données)

• Données – Ingestion de données client propres au domaine
• Entraîner – Réentraîner les modèles en utilisant le pipeline SageMaker existant
• Invite – Personnaliser les invites de l'advisor avec le contexte de l'industrie
• Réglage – Ajuster les seuils de risque et les paramètres de conservation
• Déployer – Même infrastructure, nouveau domaine

Industries applicables : Banque (attrition de compte) | Assurance (résiliation de police) | Médias et OTT (annulation d’abonnement) | Commerce de détail (érosion de la fidélité) | Logistique (rétention des exploitants de flotte) | Énergie (débranchement du service) | EdTech (prédiction du décrochage des étudiants)

Ce qui distingue ChurnGuard des modèles d’attrition standard

La plupart des modèles d’attrition s’arrêtent à la prédiction. ChurnGuard l’opérationnalise :

• Explique les facteurs – Chaque score comprend une explication en langage clair des facteurs de risque, adaptée au public
• Génère des stratégies réalisables – Plans de rétention, simulations d’offres, messages de reconquête, fiches d’appel, tous adaptés aux contraintes budgétaires et avec recommandations de canaux
• Servez plusieurs parties prenantes à partir d’une seule prédiction – Un représentant de centre d’appels et un vice-président reçoivent des résultats complètement différents à partir du même score sous-jacent
• Maintient une traçabilité complète – Chaque prédiction et résultat du conseiller est conservé dans DynamoDB avec des horodatages pour la gouvernance, l’audit et la conformité

Conclusion

Le désabonnement des clients dans le secteur des télécommunications est un défi de longue date. La prédiction basée sur l'apprentissage automatique est bien établie.

Ce qui manque encore dans la plupart des organisations, c’est le pont opérationnel, le système qui convertit un score de risque de désabonnement en conseils spécifiques et concrets pour l’intervenant en mesure d’agir.

ChurnGuard agit comme ce pont. Des modèles ML standards et avancés (riches en fonctionnalités) offrent différents niveaux d’analyse approfondie. Quatorze conseillers IA s’appuient sur de vraies données de prédiction. Cinq profils d’affaires, du service à la clientèle à la direction, reçoivent chacun les renseignements dont ils ont besoin dans un format immédiatement exploitable.

Les responsables de la rétention obtiennent des simulations d’offres avec prévisions du rendement du capital investi. Les représentants du centre d’appels reçoivent des fiches d’information avant de contacter les clients. Les responsables de la conformité reçoivent des audits d’équité. Tout est issu de la même prédiction. Tout est archivé pour assurer la traçabilité.

C’est ce que nécessite une prévention efficace du désabonnement et ce que ChurnGuard offre.