Abonnements Addons Prépayé

Problème & Impact Business

Le segment prépayé représente souvent 50-70% de la base client des opérateurs télécoms, mais génère un ARPU significativement inférieur aux clients postpaid (ratio typique 1:3). L'opportunité de monétisation via des addons (packs data, minutes internationales, options roaming) est sous-exploitée, avec des taux d'adoption moyens de seulement 15-20%. La majorité des clients prépayés rechargent uniquement le minimum nécessaire, manquant les offres de valeur qui pourraient améliorer leur expérience tout en augmentant les revenus.

Le défi consiste à identifier le bon moment, le bon addon, et le bon client pour maximiser la conversion. Une approche non ciblée souffre de fatigue marketing et de taux de conversion faibles (<2%). Notre système ML analyse les patterns de consommation, les moments d'épuisement de crédit, et les comportements d'usage pour proposer des addons pertinents au moment optimal.

Impact mesuré:

• Augmentation de 42% du taux d'adoption des addons
• Hausse de 18% de l'ARPU moyen prépayé (8,50€ → 10,03€)
• Génération de 3,2M€ de revenus additionnels annuels
• ROI de 650% sur les campagnes ciblées par ML

Données & Features Clés

Sources de données principales

• Historique de recharge: Montants, fréquence, canal (USSD, app, boutique)
• Consommation détaillée: Usage data, voix nationale/internationale, SMS
• Événements critiques: Épuisements de crédit, arrêts de service, notifications
• Engagement digital: Utilisation app mobile, self-service, consultation offres
• Profil démographique: Age, localisation, segment socio-économique

Features engineered

• Fréquence et montant moyen de recharge (90 jours)
• Pattern d'épuisement de crédit (prévisibilité, régularité)
• Ratio consommation data vs voix vs SMS
• Distance au profil type d'utilisateurs d'addons (clustering)
• Score d'affinité par type d'addon (data, voix, international, roaming)
• Timing optimal de proposition (post-recharge, pré-épuisement)
• Sensibilité prix estimée (historique de réponse aux offres)
• Potentiel d'upgrade vers postpaid

Modèles & Méthodes

Approche de recommandation personnalisée

1. Random Forest (Propensity scoring): Probabilité de souscription par addon

   • AUC-ROC moyen: 0.76 (varie selon addon: 0.72-0.81)
   • Précision top 15%: 38%
   • Features clés: Pattern consommation (28%), fréquence recharge (22%), engagement app (18%)
   • Modèle spécialisé par type d'addon (data, voix, international)

2. Collaborative Filtering: Recommandations basées sur similarité

   • "Les clients comme vous ont aussi souscrit..."
   • Détection de patterns d'adoption séquentiels (addon A → addon B)
   • Permet d'identifier des opportunités de bundles

3. Association Rules (Apriori/FP-Growth): Découverte de patterns d'achat

   • Identification de combinaisons d'addons fréquemment souscrites ensemble
   • Optimisation des bundles et packages
   • Confidence >60% pour recommandations actives

Segmentation des profils prépayés

• Data-hungry: Consommation data élevée, épuisements fréquents (32%)
• Internationaux: Appels vers l'étranger réguliers (18%)
• Basiques: Usage minimal, recharges faibles et irrégulières (35%)
• Occasionnels: Usage variable, sensibles aux promotions (15%)

Intégration Temps Réel

Pipeline de recommandation contextuelle

Événement trigger (recharge, épuisement) → Scoring temps réel (``<100ms``)
    ↓
Sélection addon optimal → Personnalisation offre
    ↓
Affichage in-app/USSD/SMS → Souscription one-click
    ↓
Tracking conversion → Feedback modèle

Moments de contact optimaux

• Post-recharge immédiat: Proposition addon pendant le flow de recharge
• Pré-épuisement: Alert proactive 24h avant épuisement prévu + addon
• Fin de validité: Renouvellement addon existant avec upsell
• Événements spéciaux: Voyages internationaux, week-ends, événements locaux

Personnalisation du message

• Mise en évidence du bénéfice spécifique au profil (ex: "Vos 10 Go habituels pour 5€")
• Comparaison avec consommation actuelle ("Économisez 3€ vs vos recharges séparées")
• Urgence et scarcité ("Offre valable aujourd'hui uniquement")
• Social proof ("Choisi par 15 000 clients comme vous")

KPI & Objectifs de Performance

| Métrique | Cible | Actuel | |----------|-------|--------| | Taux d'adoption addons | >22% | 15.2% → 21.6% | | ARPU prépayé moyen | >10€ | 8.50€ → 10.03€ | | Taux de conversion campagnes | >8% | 3.2% → 9.4% | | Revenus addons mensuels | >250K€ | 267K€ | | Précision modèle (top 15%) | >35% | 38% | | Taux de renouvellement addons | >55% | 58% |

Déploiement & Monitoring

Architecture de recommandation

1. Feature store temps réel: Agrégation des features de consommation (streaming)
2. Scoring API: Endpoint ML pour scoring à la demande (<100ms latency)
3. Moteur de règles: Sélection finale addon + personnalisation message
4. Intégration canaux: USSD menu, app mobile, SMS, boutiques (terminal POS)
5. Attribution tracking: Mesure conversions et revenus par canal et segment

Monitoring de performance

• Dashboard temps réel: Propositions, conversions, revenus par addon
• Analyse de cannibalisation (addons vs recharges traditionnelles)
• Suivi du taux de renouvellement par addon (récurrence)
• A/B testing continu des messages et timings
• Ré-entraînement hebdomadaire avec nouvelles conversions

Optimisation des offres

• Analyse d'élasticité prix par segment
• Test de nouveaux addons (validation avant lancement masse)
• Optimisation des bundles basée sur association rules
• Calibration des promotions (discount optimal pour maximiser revenus)

FAQ & Prérequis

Q: Comment éviter la fatigue marketing sur le segment prépayé? A: Limitation de fréquence (max 2 propositions/semaine), scoring de pertinence élevé (top 15-20% uniquement), personnalisation stricte (addon aligné avec usage réel). Le modèle intègre un score de "message fatigue".

Q: Quelle est la différence avec des promotions génériques? A: Les promotions classiques ciblent large avec faible conversion (2-3%). Le ML cible spécifiquement les clients avec forte propension (30-40% dans le top décile) et personnalise l'addon au besoin réel.

Q: Comment gérer les clients à faible revenu? A: Segmentation spécifique avec addons à prix réduit mais volume important. L'objectif est d'augmenter l'engagement et la fidélité, même avec des marges plus faibles. Ces clients peuvent aussi être des cibles pour migration postpaid à terme.

Q: Peut-on proposer plusieurs addons simultanément? A: Oui, mais généralement nous recommandons de présenter 1-2 addons max pour éviter le paradoxe du choix. Le modèle rank les addons par propension et présente le top 1-2.

Q: Quels sont les prérequis techniques? A: Data warehouse avec historique de consommation et recharges (6+ mois), intégration temps réel avec systèmes de recharge (USSD, app), API de scoring ML performante (<100ms), capacité d'A/B testing sur les canaux digitaux.