Churn Management – Hayyak+

Problème & Impact Business

Le plan prépayé Hayyak+ représente un segment à forte valeur pour les opérateurs télécoms. La non-détection des clients à risque de non-renouvellement entraîne une perte significative de revenus récurrents.

Impact mesuré:

• +8% de rétention globale sur le segment Hayyak+
• Réduction de 25% du temps d'intervention
• ROI de 3:1 sur les campagnes de rétention ciblées

Données & Features Clés

Sources de données

• Historique des recharges: montant, fréquence, récence
• Usage voix/data: volume, tendances, patterns temporels
• Solde compte: niveau actuel, évolution
• Comportement réseau: localisation, roaming, données techniques
• Profil démographique: ancienneté, segment, région

Features engineered

• Tendance de recharge (décroissante, stable, croissante)
• Ratio usage/recharge (indicateur de satisfaction)
• Score de régularité (comportement prévisible)
• Proximité de l'épuisement du crédit
• Engagement multi-canal

Modèles & Méthodes

Approche multi-modèle

1. XGBoost: Modèle principal pour la prédiction de churn

   • Précision: 87%
   • Recall: 82%
   • AUC: 0.91

2. LightGBM: Modèle complémentaire pour la vitesse

   • Temps d'inférence: <50ms
   • Précision: 85%

3. Random Forest: Ensemble pour la robustesse

   • Utilisé pour la validation croisée
   • Identification des features importantes

Fenêtres de prédiction

• 0-7 jours: Intervention d'urgence
• 7-14 jours: Offre personnalisée
• 14-21 jours: Communication préventive

Intégration Temps Réel

Architecture decisioning

Kafka Stream → Feature Store Online → Model API → CRM/Campaign
     ↓
Event triggers (seuils critiques)
     ↓
Orchestration campagne automatisée

Modes d'activation

• Pull API: Scoring à la demande via CRM
• Push events: Alertes automatiques sur seuils
• Batch: Refresh quotidien des scores

KPI & Objectifs de Performance

| Métrique | Cible | Actuel | |----------|-------|--------| | Rétention globale | +8% | +8.2% | | Précision modèle | >85% | 87% | | Temps d'inférence | <100ms | <50ms | | Coverage campagne | >70% | 76% | | Uplift vs. control | >15% | 18% |

Déploiement & Monitoring

Pipeline MLOps

1. Training: Retraining trimestriel ou déclenché par drift >5%
2. Validation: A/B testing systématique (70/30 split)
3. Monitoring:
   • Drift detection (données + prédictions)
   • Performance metrics dashboard
   • Alertes automatiques

Drift management

• Monitoring continu des distributions de features
• Alertes si Jensen-Shannon divergence >0.15
• Retraining automatique si drift confirmé

FAQ & Prérequis

Q: Quelles données minimales sont nécessaires? A: 6 mois d'historique de recharges et usage, données démographiques de base.

Q: Délai de mise en production? A: 3-4 mois (Foundation phase) incluant data pipeline et intégration CRM.

Q: Compatible multi-vendor? A: Oui, testé avec Ericsson, Huawei, ZTE, Nokia.