Prévention MNP Port-Out

Problème & Impact Business

La portabilité du numéro (Mobile Number Portability - MNP) représente l'une des formes les plus critiques de churn, car elle indique une décision ferme du client de migrer vers un concurrent. Une fois qu'un client demande son code RIO (Relevé d'Identité Opérateur), la fenêtre d'intervention est extrêmement courte - généralement 48 à 72 heures avant la portabilité effective. Cette forme de churn est particulièrement coûteuse car elle touche souvent des clients de valeur, influencés par des offres concurrentes agressives.

Le taux de port-out moyen varie entre 5-8% annuellement, avec une forte concentration sur les segments à haute valeur (postpaid premium). Sans intervention, 85-90% des demandes RIO se concrétisent en portabilité effective. Notre système combine la détection précoce des signaux pré-RIO avec une réponse ultra-rapide post-RIO, maximisant les chances de rétention dans cette fenêtre critique.

Impact mesuré:

• Réduction de 28% du taux de port-out effectif
• Taux de save de 18% sur les demandes RIO (vs 8% baseline)
• Préservation de 8,5M€ de revenus annuels
• ROI de 380% sur les offres de contre-attaque

Données & Features Clés

Sources de données principales

• Événements RIO: Demandes de code, timing, canal (web, phone, boutique)
• Comportement pré-RIO: Recherches web/app, consultation offres, comparateurs
• Satisfaction client: NPS, CSAT, réclamations récentes, qualité service
• Profil de valeur: ARPU, ancienneté, services souscrits, potentiel cross-sell
• Intelligence concurrentielle: Offres actives, campagnes, couverture réseau

Features engineered

• Score d'intention de churn (comportement web/app analysé par NLP)
• Gravité et récence des problèmes de service
• Écart prix vs offres concurrentes dans la même zone
• Engagement produit (app mobile, self-service, consommation)
• Sensibilité aux promotions (historique de réponse)
• Score de vie restante prédite (LTV résiduel)
• Timing depuis demande RIO (criticité temporelle)
• Probabilité de succès des offres de rétention

Modèles & Méthodes

Double approche: Prédictive + Réactive

1. XGBoost (Modèle prédictif pré-RIO): Détection précoce du risque de port-out

   • AUC-ROC: 0.82
   • Précision top 10%: 58%
   • Features clés: Recherches web compétition (26%), NPS bas (21%), fin engagement (19%)
   • Horizon: 14-30 jours avant demande RIO

2. Neural Networks (Modèle post-RIO): Optimisation de la réponse immédiate

   • Prédiction du taux de succès par type d'offre
   • Personnalisation de l'offre optimale (prix, services, durée)
   • Temps de réponse: <2 heures après demande RIO

3. Ensemble Methods (Modèle de priorisation): Scoring de valeur d'intervention

   • Combine risque de port-out, valeur client, probabilité de save
   • Optimisation ROI: Focus sur les clients à haute valeur sauvables
   • Allocation dynamique du budget de rétention

Segmentation des motifs de port-out

• Prix/Offre concurrente: Promotion agressive concurrent (48%)
• Qualité service/réseau: Insatisfaction technique (28%)
• Service client: Expérience négative support/vente (14%)
• Fin engagement: Opportunité de changement sans frais (10%)

Intégration Temps Réel

Pipeline temps réel critique

Demande RIO (détection immédiate) → Scoring en temps réel (``<30s``)
    ↓
Enrichissement contexte (historique, concurrent probable)
    ↓
Génération offre optimale → Routage agent prioritaire
    ↓
Contact client (``<2h``) → Présentation offre personnalisée
    ↓
Tracking décision → Feedback modèle

Fenêtres d'intervention

• Pré-RIO (14-30 jours): Contact proactif doux, résolution problèmes, offres préventives
• Post-RIO immédiat (0-24h): Appel prioritaire, offre premium, escalade manager
• Post-RIO tardif (24-72h): Dernière tentative, offres exceptionnelles, facilités

Personnalisation des offres de save

• Analyse automatique de l'offre concurrente probable
• Génération d'offre équivalente ou supérieure
• Ajout d'avantages différenciants (services exclusifs, bonus fidélité)
• Calibration du coût vs LTV client

KPI & Objectifs de Performance

| Métrique | Cible | Actuel | |----------|-------|--------| | Taux de port-out annuel | <5% | 6.8% → 4.9% | | Taux de save post-RIO | >15% | 18% | | Délai contact post-RIO | <2h | 1.5h moyenne | | Revenus préservés | 7M€/an | 8.5M€ | | Précision modèle pré-RIO | >55% | 58% | | ROI offres de save | >300% | 380% |

Déploiement & Monitoring

Architecture temps réel

1. Détection événement: Monitoring continu des demandes RIO (API opérateur)
2. Enrichissement immédiat: Agrégation features depuis feature store (<10s)
3. Scoring ML: Calcul risque, valeur, probabilité save (<20s)
4. Génération offre: Optimisation personnalisée via moteur de règles + ML
5. Routage intelligent: Assignment automatique à l'agent le plus performant
6. Suivi outcome: Tracking accept/refuse + portabilité effective J+7

Monitoring de performance

• Dashboard temps réel: Demandes RIO, taux de contact, taux de save
• Alertes sur dégradation du taux de save (>10% vs baseline)
• Analyse A/B continue sur les offres et stratégies de contact
• Ré-entraînement hebdomadaire avec feedback des outcomes

A/B Testing

• Test variants: Différents niveaux d'offres, timings de contact, scripts agents
• Metrics: Taux de save, coût par save, satisfaction client, LTV post-save
• Optimisation continue: Ajustement automatique des stratégies selon performance

FAQ & Prérequis

Q: Comment détecter une intention de port-out avant la demande RIO? A: Analyse comportementale: recherches web sur concurrents, consultation comparateurs de prix, visites sur sites compétiteurs (tracking cookies/apps), augmentation des contacts support pour problèmes non résolus.

Q: Quelle est la fenêtre d'intervention optimale? A: Post-RIO immédiat (0-24h) offre le meilleur taux de save (22%). Au-delà de 48h, le client a souvent déjà finalisé avec le concurrent. Pré-RIO permet d'éviter la demande mais nécessite plus de faux positifs.

Q: Comment calibrer les offres de save pour rester profitable? A: Analyse coût vs LTV: un client avec LTV résiduel de 800€ justifie une offre de save jusqu'à 250-300€. Le modèle optimise l'offre minimum nécessaire pour sauver le client (sweet spot).

Q: Peut-on identifier le concurrent cible? A: Oui, via plusieurs signaux: recherches web, analyse des offres actives dans la zone géographique, profil du client (alignement avec positionnement concurrent). Précision: ~70%.

Q: Quels sont les prérequis techniques? A: Architecture temps réel (event streaming), feature store performant (<10s access), API de détection RIO, intégration CRM pour routage agents, système de génération d'offres automatisé.