Modèle DL pour limiter la perte de clients Pour l’une des plus grandes banques d’Europe

Pour ce client, qui est l’une des cinq plus grandes banques d’Europe, nous avons élaboré un modèle permettant de prédire l’attrition de la clientèle.

Lorsque les clients s’en vont, les banques perdent des revenus potentiels. Par ailleurs, l’acquisition de nouveaux clients nécessite plus d’argent que la fidélisation des clients actuels.

Jusqu’à présent, la banque travaillait sur son modèle, qui prédisait les départs des clients plutôt que de contribuer directement à les réduire. La structure du modèle ne permettait pas à la banque de faire ce qu’il fallait, car les signaux d’abandon étaient toujours détectés trop tard. En raison de l’approche utilisée, le modèle n’était donc pas aligné sur les objectifs de l’entreprise.

Analyse des besoins de l’entreprise et du modèle existant 

Au cours d’un atelier avec le client, nous avons analysé ses besoins commerciaux et les lacunes du modèle existant. Nous avons conclu que si, par exemple, nous découvrions que le client ne souhaitait résilier son compte qu’au moment où le salaire cessait d’être versé sur son compte, il serait trop tard pour conserver le client. C’est l’une des prémisses sur lesquelles reposait le modèle existant.

L’important est que l’objectif réel de l’élaboration du modèle soit de réduire le taux de départ des clients. L’abandon prédictif n’est qu’un outil qui doit être utilisé suffisamment tôt après qu’un client a décidé de partir pour avoir une chance de le conserver.

Améliorer le modèle bancaire existant  

Pour évaluer le risque de départ d’un client, nous avons décidé d’utiliser des signaux plus subtils, tels qu’un changement dans l’activité du titulaire d’un compte bancaire par la réduction du nombre de virements sortants.

Les signaux étaient suffisamment précoces pour permettre de prendre des mesures visant à réduire le taux de désabonnement. Nous avons configuré une infrastructure interne sur site et développé le code approprié pour réaliser le processus de construction de modèle sur des données relativement volumineuses.

Le modèle a été construit de manière traditionnelle : en utilisant des données agrégées mensuelles décrivant le comportement de plusieurs millions de clients.

Nous avons mené des expériences supplémentaires en utilisant des approches non standards et des données atomiques non agrégées ; nous avons utilisé, entre autres :

• Données brutes de la transaction (évènements)
• Description des opérations sur les comptes
• Apprentissage profond comme modèle prédictif
• Modèles d’inclusion de mots (traitement du langage naturel/NLP) sont utilisés pour préparer les caractéristiques des modèles prédictifs. Cela a permis de convertir des données textuelles en une forme numérique que les algorithmes d’apprentissage automatique peuvent comprendre. En outre, il peut être utilisé pour capturer l’essence contextuelle des mots, leur similarité et leur relation avec d’autres mots.

• Réduire le taux de désabonnement de 6 % de sa valeur.
• Familiariser l’équipe de science des données de la banque avec de nouvelles approches de modélisation qui peuvent être appliquées à d’autres problèmes (transfert de savoir-faire).
• L’infrastructure informatique que nous avons mise en place a été utilisée pour résoudre d’autres problèmes de modélisation.