[Vidéo] Une action très simple pour prédire le churn avec Knime !
Comment analyser le churn avec Knime ?
Voici une méthode très simple que nous vous présentons en vidéo pour analyser le comportement client afin de le prédire !
Le churn c’est quoi?
Le churn, ou l’attrition, en français, exprime le taux de perdition des clients qui résilient leur contrat d’abonnement (dans les télécoms, la banque, les assurances etc…).
Grâce à l’outil Knime, il est possible d’analyser le comportement client. En effet, il est moins coûteux de retenir un client existant que d’en acquérir un nouveau.
Donc la question qui se pose : pourquoi les clients se désabonnent et comment pouvons-nous les prédire ?
Nous pouvons lister deux types de phénomène :
Le churn involontaire (une résiliation qui est entraînée par des facteurs externes : l’expatriation, la sénescence, ou un décès).
Le churn volontaire (une demande de résiliation pour passer à la concurrence).
A priori, nous ne savons pas qui va résilier un contrat, l‘objectif est donc de prédire le phénomène du churn.
Comment peut-on prédire le churn avec l’outil Knime ?
A partir des données client, il faut estimer lesquels sont les plus susceptibles de résilier leur contrat et concentrer les efforts du service client sur ceux-là.
Il existe un certain nombre d’algorithmes d’apprentissage supervisé : on ne sait pas toujours a priori lequel fournira les meilleurs résultats. Par conséquent, on teste généralement plusieurs modèles sur les données du problème.
Principe de l’apprentissage supervisé (Supervided Learning) :
Pas de panique, voici un schéma pour expliquer cela :
Quelles données sélectionne-t-on ?
Dans notre cas d’usage nous utilisons les données client d’un opérateur téléphonique proposant divers services (triple play, VOD, services en ligne). Celles-ci sont réparties en quatre bases de données, reliées par le customerID, représentant environ 7000 entrées. Nous sélectionnons dans ce cas précis les infos personnelles et les modalités de paiement. Les données traitées seront l’ancienneté et les modalités du contrat pour connaître les churneurs et les non churneurs.
Pour résumer, il faut :
- Importer les données
- Agréger les données
- Séparer en deux groupes : les données d’entraînement pour entraîner les modèles de classification, et données de test pour évaluer ces modèles
- Entraînement des modèles
- Prédiction sur les données de test
- Comparaison entre les prédictions et la réalité pour évaluer le modèle
- Et enfin, exporter les données
Et voilà !
Si d’autres sujets liés à Knime vous intéressent, allez voir nos autres articles dans la catégorie How to !
Author Profile
- Hello! Passionate about digital marketing, I work daily with the various departments at Mydral. In my publications, you will find content on the Big Data, BI, and AI sectors. SEO and e-reputation hold no secrets for me!
Latest entries
NewsMay 5, 2022Newbie Bootcamp Award: our competition for the best data visualization.
NewsApril 5, 2022What are the challenges involved in analyzing your hotel data?
WebinarsMarch 25, 2022The maturity of Fintechs with data
NewsMarch 21, 2022White Paper: Successful Management of Educational Institutions
