Une marque d'abonnement a mis du ML prédictif en production. Sans recruter un seul data scientist.

L'entreprise est l'un des principaux services français de box beauté par abonnement. Dans un modèle d'abonnement, chaque mois est une décision de renouvellement, et garder ses abonnés n'est pas un indicateur secondaire : c'est le cœur du business.

Comme beaucoup d'entreprises de sa taille, elle avait les données et un data analyst compétent, mais pas d'équipe de data science pour transformer les questions métier en modèles prédictifs prêts pour la production.

Les équipes CRM savaient que le churn était là. Ce qu'elles ne pouvaient pas faire, c'était le voir venir. Anticiper les abonnés à risque supposait de la modélisation prédictive, et donc l'un de deux chemins lents : recruter une équipe de data science, ou mener un projet de plusieurs mois avec un prestataire externe.

Dans les deux cas, cela prend un temps que le business n'a pas. Chaque mois passé à construire est un mois passé à réagir au lieu d'anticiper.

Matr a permis à l'entreprise de mettre des modèles prédictifs en production sans assembler la machinerie habituelle. Pas de recrutement en data science, pas de nouvelle infrastructure à maintenir, pas de plan projet étalé sur plusieurs trimestres.

Un seul data analyst pouvait porter le travail de bout en bout, et les équipes CRM pouvaient exploiter les résultats sans jamais toucher à un modèle. L'expertise est restée en interne. Le gros du travail est passé chez Matr.

Un data analyst a connecté les données de l'entreprise directement depuis son environnement cloud et construit le premier modèle de churn sur Matr, en quelques jours, sans effort dédié de data engineering.

Depuis, l'analyste travaille avec Matr comme il travaillerait avec une équipe de data science qui ne dort jamais : décrire ce qu'il faut prédire, entraîner et déployer les modèles, les surveiller et les réentraîner au fil de l'évolution du comportement des abonnés.

C'est ce qui a rendu les prédictions utiles, et pas seulement justes. Les équipes CRM n'ont pas besoin d'ouvrir Matr ni de comprendre la modélisation.

Ce qu'elles utilisent, c'est l'explicabilité. Pour chaque abonné à risque, Matr fait ressortir pourquoi le modèle l'a signalé : les signaux et comportements derrière la prédiction. C'est sur cette raison que les équipes CRM construisent : un abonné signalé pour sensibilité au prix, baisse d'engagement ou question de timing reçoit une campagne qui répond à cette raison précise.

La prédiction devient du ciblage. Le modèle dit qui et pourquoi ; les équipes CRM décident comment répondre.

Le résultat n'est pas un modèle ponctuel. C'est un dispositif opérationnel : un analyste qui fait tourner des modèles prédictifs, et des équipes CRM qui en font des campagnes.

• Un modèle de churn prédictif en production, sans recrutement en data science
• Un seul data analyst qui porte les modèles de bout en bout
• Des équipes CRM qui construisent leurs campagnes sur l'explicabilité des modèles, pas sur l'intuition

Aujourd'hui, l'entreprise fait tourner plusieurs cas d'usage prédictifs sur Matr (churn, LTV, segmentation), tous sur la même plateforme.