E-marketing.fr Le site des professionnels du marketing

Recherche
Magazine Marketing

Comment la Maif anticipe (et évite) le départ de ses clients ?

Publié par Floriane Salgues le - mis à jour à
Comment la Maif anticipe (et évite) le départ de ses clients ?

Grâce à l'analyse textuelle, la Maif est capable de prédire qu'un de ses clients souhaite résilier son contrat... et de le retenir

Je m'abonne
  • Imprimer

S'il est rare qu'une rupture ne se fasse sans signes avant-coureurs... comment détecter les "bons" signaux, annonciateurs de la résiliation d'un contrat par un client, et ce, avant même que celui-ci ne prenne contact avec la marque ? L'assureur Maif, confronté à l'entrée en vigueur de la loi Hamon qui assouplit la procédure de résiliation des contrats d'assurance (désormais possible à tout moment après un an de contrat), s'est ainsi attaqué à la diminution du "taux de churn" (la perte de clientèle), dès 2014, accompagné par l'agence d'innovation data Artefact. L'idée ? Observer les indices d'un départ et prendre les devants pour éviter l'attrition.

Déjà dotée d'une cellule dédiée à l'appel de sociétaires ayant indiqué à la marque leur intention de résilier leur contrat, la compagnie d'assurances a souhaité se positionner davantage encore en amont du parcours client. "Nous essayons de quantifier au maximum les motifs pour lesquels les sociétaires souhaitent partir... ou venir, témoigne Sylvain Creuze, data scientist au sein de la Maif. Et, donc, de passer d'une logique de curation à une logique de prévention." Le déploiement, en 2016, d'une plateforme Big data dotée d'un cluster Hadoop pour stocker et analyser une grande quantité de données, est venu en appui de la stratégie de rétention opérée par la marque. Tout comme l'utilisation de la solution de Dataiku mixée à des logiciels en open source afin d'élaborer des modèles de machine learning.

Mise en place des scores de volatilité

En pratique, la Maif a croisé les données liées au CRM (sociodémographiques, de contrat...) avec les données comportementales (de navigation sur le Web). "Nous avons ensuite analysé les champs textuels pour observer les mots-clés utilisés par les visiteurs, poursuit Sylvain Creuze. Et nous les avons classées en données chaudes ou froides, nous permettant de mettre en place des scores de volatilité et des labels de contextualisation."

Ainsi, un sociétaire jugé par la Maif comme "volatile" va, dans le cas où il contacte l'assurance, être redirigé vers une cellule dédiée à la rétention. En appui du routage téléphonique, un calcul de labels est réalisé par l'analyse de données textuelles (sur l'ensemble des échanges entre le client et la marque, par mail, par téléphone ou en face-à-face). Le conseiller dispose alors, via le moteur d'indexation, d'un historique des échanges permettant de répondre le plus précisément possible au client.

Une expérimentation a été menée en octobre 2016, suivi d'un déploiement en phase pilote en mai 2017 pendant un mois. "Il nous fallait de la profondeur de données pour connaître l'impact de notre stratégie", explique Roch-Armand Tchicamboud, chargé d'études systèmes d'informations. Résultat : sur la population pour laquelle le taux d'attrition est multiplié par 10 par rapport aux autres segments, la Maif a gagné 0,2 point environ, avec une évolution positive.

 
Je m'abonne

NEWSLETTER | Abonnez-vous pour recevoir nos meilleurs articles

La rédaction vous recommande