Anticiper les Départs Avant Qu'ils Ne Surviennent

À PROPOS DE L’ORGANISATION

Notre client est un acteur majeur du crédit à la consommation au Maroc, spécialisé dans le financement des fonctionnaires et gérant un portefeuille actif de plus de 125 000 clients. Dans un marché de plus en plus concurrentiel, où la fidélisation est devenue un enjeu stratégique, l’organisme souhaitait mieux comprendre les comportements de ses clients et identifier les signaux annonciateurs d’un départ ( Churn Client) afin d’agir avant qu’il ne soit trop tard.

CONTEXTE

La perte de clients ( churn client ) représente un coût important pour les établissements financiers. Cependant, dans un grand nombre d’entreprises, le churn n’est identifié qu’après la rupture du contrat ou la cessation de la relation d’affaires.

Afin d’adopter une approche proactive, l’organisme a fait appel à Zen Networks pour concevoir une solution de prédiction du churn client par l’IA, capable d’identifier les clients à risque jusqu’à deux mois avant leur départ.

Le projet reposait sur l’exploitation de plus de 1,4 million d’enregistrements clients provenant de 8 systèmes d’information différents, afin de transformer les données existantes en un véritable levier de fidélisation.

DÉFIS

• Détecter le churn client avant le départ du client. L’établissement ne disposait d’aucun mécanisme permettant d’anticiper le départ d’un client. Les équipes commerciales intervenaient uniquement après la perte effective du client, limitant fortement les possibilités de rétention.
• Centraliser des données dispersées: Les informations clients étaient réparties entre plusieurs applications et bases de données, empêchant l’obtention d’une vision unifiée du parcours client.
• Améliorer la qualité des données: Certaines données essentielles étaient incomplètes, peu fiables ou disponibles uniquement sous forme de texte libre. Une phase importante de préparation et de valorisation des données était nécessaire.
• Optimiser les ressources de fidélisation: Les équipes de rétention disposaient de ressources limitées. Le modèle devait donc être suffisamment précis pour cibler uniquement les clients présentant un risque réel de départ.

SOLUTION

• Intégration et préparation des données: Zen Networks a consolidé les données issues de 8 systèmes distincts autour d’un identifiant client unique. Les travaux réalisés ont inclus :

• • Nettoyage et normalisation des données.
  • Contrôle qualité et enrichissement des informations.
  • Construction d’une base analytique consolidée.
  • Préparation des historiques nécessaires aux modèles prédictifs.
• Construction des indicateurs prédictifs: Les équipes Data Science ont développé 158 variables métier et comportementales permettant de détecter les signaux faibles annonçant un risque de churn client. Ces variables couvrent notamment :

• • Le comportement de remboursement.
  • L’historique des crédits.
  • Les interactions avec l’établissement.
  • L’évolution de l’activité client.
  • Les indicateurs d’engagement.
• Développement du modèle de prédiction du churn client: Zen Networks a développé un modèle de machine learning basé sur XGBoost, capable d’estimer mensuellement la probabilité de départ de chaque client sur un horizon de deux mois. Le modèle a été optimisé afin de privilégier la précision et maximiser l’efficacité des campagnes de rétention.
• Segmentation des clients à risque: Au-delà de la prédiction, la solution identifie quatre profils comportementaux de churn client, permettant d’adapter les actions commerciales en fonction des causes probables du départ.
• Industrialisation et automatisation: Une chaîne automatisée de scoring a été mise en place afin de produire chaque mois une liste actualisée des clients à risque directement exploitable par les équipes métiers et le CRM.

RÉSULTATS

• Anticipation des départs: Les clients à risque peuvent désormais être identifiés jusqu’à 2 mois avant leur départ, offrant une fenêtre d’action précieuse aux équipes commerciales.
• Ciblage plus efficace: Le modèle atteint un niveau de précision de 93 %, permettant de concentrer les efforts de fidélisation sur les clients présentant le plus fort risque de churn.
• Excellente performance prédictive: La solution a obtenu un ROC-AUC de 0,835, démontrant une forte capacité à distinguer les clients fidèles des clients susceptibles de quitter l’établissement.
• Impact financier mesurable: Le projet a permis d’identifier :
  • 47,8 millions de dirhams de valeur exposée au churn.
  • 8,9 millions de dirhams de revenus potentiellement récupérables grâce aux actions de rétention.

•  
• Personnalisation des stratégies de fidélisation: La segmentation comportementale permet aujourd’hui de déployer des actions ciblées et adaptées à chaque profil client.

POURQUOI ZEN NETWORKS ?

Chez Zen Networks, nous combinons expertise en Data Engineering, Intelligence Artificielle et Machine Learning pour accompagner les organisations marocaines dans leur transformation data.

Notre approche repose sur trois principes :

• Solutions adaptées au contexte métier: Chaque modèle est conçu en fonction des réalités opérationnelles et des objectifs de nos clients.
• Une IA orientée résultats: Nous développons des solutions qui créent un impact mesurable sur la performance commerciale et la fidélisation client.
• Une expertise reconnue: Nos équipes accompagnent les entreprises dans la valorisation de leurs données afin de transformer l’information en avantage concurrentiel.

Avec Zen Networks, l’intelligence artificielle devient un véritable outil d’aide à la décision pour anticiper les risques, améliorer la rétention et protéger les revenus.