Un client qui part, on l'apprend quand il est déjà parti.
Le chiffre baisse
« On voit le chiffre baisser, on ne sait pas quels clients. »
Le commercial découvre
« Le commercial apprend que le client est parti quand il le relance. »
Pas de data scientist
« Un modèle de churn, il faudrait un data scientist, on n'en a pas. »
Ce que c'est
Commandes, factures ou abonnements, depuis l'ERP, la caisse ou l'outil de facturation.
Contacts, rendez-vous, opportunités, depuis le CRM.
Tickets support, réclamations, retours, usage du produit si vous en avez un.
Votre définition du départ
Un client sans commande depuis combien de temps ? Un contrat non renouvelé ? MatR la fixe avec vous pendant le cadrage.
Le signal
« Quels clients sont passés en risque élevé cette semaine ? »
Le directeur commercial ouvre MatR. Douze clients sont passés en risque élevé cette semaine.
Les raisons
« Pourquoi ce client est-il à risque ? »
Pour l'un d'eux : commandes en baisse depuis trois mois, deux réclamations récentes, contrat à renouveler en décembre.
La priorité
« Lesquels pèsent le plus en chiffre d'affaires ? »
MatR trie la liste par chiffre d'affaires. Les cinq premiers partent dans le CRM avec une tâche pour chaque commercial, et le motif du risque.
L'action
« Préviens le service client pour les comptes avec réclamation. »
Le service client est prévenu pour le client qui a eu des réclamations. Chacun sait qui appeler, et pourquoi.
Aucun export, aucun fichier croisé à la main.
Blissim a réduit son churn de 20 %
Le défi
Blissim perdait 200 K€ par mois à cause du churn. Aucun data scientist en interne. Pas le temps de construire un modèle de zéro.
La solution
Matr a déployé un modèle de prédiction du churn sur BigQuery en une journée. Le modèle score chaque client, identifie les profils à risque et alimente les campagnes de rétention.
L'impact
- +20 % de rétention client
- +40 K€/mois de revenus récupérés
- Modèle déployé et en production
pour ce cas d'usage.
Prepare
Connexion et réconciliation de vos sources client.
Predict
Score de risque de départ, avec ses raisons.
Act
Envoi vers le CRM, tâches, alertes Slack ou Teams.
Les questions qu'on nous pose.
Faut-il un data scientist ?
Non. MatR construit et met à jour le modèle. Vous posez la question en français.
Et si nous n'avons pas d'abonnement ?
Le churn se définit aussi sur des commandes : un client qui ne commande plus. MatR fixe la définition avec vous.
Pourquoi tel client est-il à risque ?
Chaque score est expliqué par les signaux qui l'ont fait monter.
Combien de temps pour avoir les premiers scores ?
Quelques semaines après le cadrage, selon vos sources.