[Vidéo] Une action très simple pour prédire le churn avec Knime !

Knime churn

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 : 

 

Churn_Knime
Prédire le churn avec Knime

 

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

Sylvana AH-LAYE
Sylvana AH-LAYE
Hello ! Passionnée du marketing digital, je travaille quotidiennement avec les différents services de Mydral. Retrouvez dans mes publications du contenu sur le secteur du Big Data, de la BI et de l'IA. Le SEO ou l'e-réputation n'ont pas de secrets pour moi !

Laissez un commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.