Le courrier tenait en quatre lignes. Résiliation au terme, sans motif exprimé, d’un contrat d’entretien reconduit sans le moindre incident depuis six ans. Le dirigeant de cette société de propreté implantée à Villejust n’avait rien vu venir. En remontant douze mois d’historique avec lui, nous avons pourtant retrouvé la trace du départ : deux réclamations restées sans réponse écrite, un changement de responsable des services généraux côté client, et un volume facturé qui avait fondu d’un cinquième au dernier trimestre. Tout était dans ses fichiers. Personne ne les regardait dans cet ordre. C’est précisément le terrain de l’intelligence artificielle et du churn prediction, cette pratique qui consiste à repérer les signaux d’un départ pendant qu’il est encore réversible.
Un client ne part jamais du jour au lendemain
Il s’éloigne. Lentement, par petites décisions qui ne déclenchent aucune alerte dans le CRM. Cette société de propreté gère cent quarante contrats avec soixante salariés, et sur les onze résiliations enregistrées l’an dernier, neuf présentaient au moins trois marqueurs identiques dans les six mois précédents : allongement du délai de paiement suivi d’un solde anticipé, réduction du périmètre à la première échéance de révision, disparition du contact historique, et un dernier signal que personne n’aurait songé à surveiller, l’arrêt des demandes de prestations exceptionnelles hors contrat. Un client qui ne demande plus rien en dehors du cadre a déjà commencé à consulter ailleurs.
Le silence est le signal le plus sous-estimé de toute relation commerciale.
Ce qu’un modèle observe et ce dont il n’a pas besoin
On imagine souvent un chantier de données monumental. La réalité est plus modeste : trois ans d’historique de facturation, l’export du CRM, le journal des tickets ou des réclamations, éventuellement les statistiques d’ouverture des envois commerciaux. Un tableur de quelques dizaines de milliers de lignes suffit à faire tourner un premier modèle. L’algorithme cherche des régularités dans les trajectoires de vos anciens clients perdus, puis compare vos clients actifs à ces trajectoires. Il ne devine rien. Il constate des ressemblances.
Il y a une taille en dessous de laquelle cette approche ne tient pas debout. Avec quarante clients au portefeuille et deux départs par an, aucune statistique ne trouvera de motif fiable, et une grille de vigilance tenue à la main par le dirigeant fera nettement mieux qu’un modèle. Nous le disons franchement aux entreprises que nous accompagnons : à ce format, l’outil serait un gadget coûteux.
Une dernière chose échappe complètement à la machine, et il faut le savoir avant de signer quoi que ce soit. Le rachat du client par un groupe qui impose son référencement national, le nouveau directeur des achats arrivé avec ses fournisseurs sous le bras, la fermeture d’un site : rien de tout cela ne figure dans un historique de facturation. Ces départs-là, personne ne les voit venir dans un tableau. Ils se repèrent en visite, autour d’un café, en écoutant ce que le client dit de son propre marché.
Un score de risque n’est pas un verdict
L’intelligence artificielle et le churn prediction ne produisent pas des certitudes, mais des probabilités. Quand l’outil affiche soixante-douze pour cent sur un compte, il dit une seule chose : ce client ressemble aujourd’hui à ceux qui sont partis hier. Il ne dit ni pourquoi, ni quand, ni si la décision est prise. La valeur de l’exercice tient dans ce qui suit l’affichage, et c’est là que la plupart des projets s’effondrent. Une liste de comptes à risque envoyée le lundi matin à une équipe commerciale déjà saturée finit dans la corbeille dès le mercredi.
Ce qui fonctionne ressemble à ceci. Cinq comptes maximum par semaine, pas trente. Une action nommée pour chacun, avec un responsable et une date. Un appel du dirigeant lui-même quand le contrat pèse, une visite sur site quand le contact a changé, une revue de prestation quand le périmètre s’est réduit. Et un retour systématique dans l’outil : le client était-il réellement en train de partir ? La réponse alimente le modèle et affine sa lecture, mois après mois.
La ligne que nous refusons de franchir
Une prédiction de départ ne doit jamais servir à traiter un client moins bien. Le raisonnement est tentant, et nous l’avons entendu formulé à voix haute : celui-ci va partir de toute façon, autant réserver les efforts aux autres. C’est une prophétie qui s’accomplit toute seule, et une faute commerciale. Un score élevé signale un client à écouter, pas un client à lâcher.
La dérive inverse existe aussi. Déclencher automatiquement une remise de dix pour cent dès qu’un compte franchit un seuil revient à enseigner au marché qu’il suffit de lever le pied pour obtenir un geste. Le geste commercial se décide, il ne se programme pas. Deux autres règles nous paraissent non négociables : on ne dit pas au client qu’un algorithme l’a classé, et on ne construit pas le modèle sur des données collectées pour un tout autre usage. Vos clients vous ont confié des informations pour exécuter des prestations et facturer. Les réutiliser pour piloter la relation demande d’avoir écrit noir sur blanc cette finalité, d’en informer les personnes concernées, et de laisser un humain trancher toute décision qui les affecte vraiment. La CNIL publie sur ce point des repères clairs, à lire avant de commencer plutôt qu’après.
Démarrer sans lancer un chantier de dix-huit mois
Le premier pas ne coûte presque rien. Reprenez vos départs des trois dernières années, une quinzaine suffit, et reconstituez pour chacun les six mois qui ont précédé. Vous verrez apparaître à l’œil nu quatre ou cinq marqueurs récurrents, propres à votre métier. Cette grille manuelle, testée pendant un trimestre sur le portefeuille en cours, vous dira si le jeu en vaut la chandelle avant tout investissement logiciel. Vient ensuite l’outillage : la plupart des CRM du marché intègrent aujourd’hui un module de score, et les éditeurs le facturent souvent quelques dizaines d’euros par utilisateur et par mois. Comptez six à huit semaines entre la décision et le premier score exploitable, l’essentiel du délai partant dans le nettoyage des données clients.
Une dernière remarque, souvent décisive. Ce travail révèle presque toujours des problèmes d’organisation avant de révéler des clients fragiles : réclamations sans circuit de traitement, comptes orphelins après le départ d’un commercial, révisions tarifaires appliquées sans explication. Corriger cela produit un effet immédiat, sans la moindre technologie. L’intelligence artificielle et le churn prediction ne deviennent utiles qu’ensuite, une fois le terrain déblayé. Si vous voulez savoir ce que vos propres données racontent de votre portefeuille, l’équipe MINOBIA regarde ce point lors de ses diagnostics, au même titre que l’analyse de vos coûts et de vos marges.
Questions fréquentes
Combien de clients faut-il au minimum pour que ça fonctionne ?
Il n’existe pas de seuil officiel, mais en dessous d’une centaine de comptes actifs et d’une dizaine de départs historiques, un modèle statistique manque de matière. Une grille de vigilance manuelle donne alors de meilleurs résultats pour un coût nul.
Doit-on prévenir le client qu’il est suivi par un outil de ce type ?
On informe sur le traitement de ses données et sa finalité, ce qui est une obligation. On ne lui annonce pas son score : la conversation deviendrait immédiatement fausse.
Que faire quand le modèle se trompe souvent au démarrage ?
C’est normal les premiers mois. Les fausses alertes se corrigent en renseignant systématiquement l’issue réelle de chaque compte signalé. Un modèle qui n’a jamais de retour terrain ne s’améliore pas.
Quel budget prévoir pour une PME ?
Le module lui-même reste modeste, quelques dizaines d’euros par utilisateur et par mois chez la plupart des éditeurs. Le vrai coût est humain : le temps de remise en ordre des données et celui des commerciaux qui traitent les alertes.
Peut-on utiliser ces scores pour arbitrer les priorités commerciales ?
Pour décider qui rappeler en premier, oui. Pour décider qui mérite encore un bon service, jamais. La distinction paraît subtile, elle est structurante.
À propos de l’auteur
Joël Obitz est entrepreneur et fondateur de MINOBIA, cabinet spécialisé dans l’intégration stratégique de l’intelligence artificielle au sein des PME et ETI. Fort de 20 ans d’expérience dans le B2B industriel, il accompagne les entreprises dans leur transformation numérique, avec une approche directe, pragmatique et orientée résultats.
Contactez-nous : contact@minobia.ai
Suivez-nous sur LinkedIn et Facebook
MINOBIA – Activateur France Num https://www.francenum.gouv.fr/activateurs/minobia
