Modèle ML production-ready pour identifier les clients à risque de churn
Projet de démonstration - Simulation de cas d'usage avec données synthétiques
Une plateforme e-commerce B2C perdait 18% de ses clients chaque année, soit environ €720K de revenus récurrents perdus. L'équipe marketing dépensait massivement en acquisition sans stratégie de rétention ciblée.
Question business : Comment identifier les clients à risque de churn 30 jours avant leur départ pour activer des actions de rétention ciblées ?
Gradient Boosting avec features engineering avancé : comportementales, transactionnelles, engagement, temporelles
FastAPI pour scoring en temps réel avec latence <100ms. Scoring quotidien de tous les clients actifs.
Webhook vers l'outil marketing pour actions automatiques. Campagnes email personnalisées selon le score de risque.
"Le modèle nous a permis d'identifier 180 clients à risque que nous avons réussi à retenir. L'investissement a été rentabilisé en 2 mois."
Montre comment l’inactivité fait exploser le churn et où se situent les segments à risque. Permet d’identifier un seuil d’alerte opérationnel.
Voir la visualisationDétaille les métriques de performance et les variables réellement prédictives pour expliquer le churn aux équipes business.
Voir la visualisationQuantifie la baisse du churn, les revenus sauvés et le ROI des campagnes de rétention déclenchées par le modèle.
Voir la visualisationUne vue d’ensemble du projet : churn, performance, segments et impact financier, pour une lecture rapide en entretien.
Voir le dashboard# Scoring individuel
curl -X POST "http://localhost:8000/predict" \
-H "Content-Type: application/json" \
-d '{
"days_since_last_purchase": 45,
"purchase_frequency_30d": 2,
"avg_basket_value": 120.0,
...
}'
# Réponse
{
"churn_proba": 0.72,
"risk_level": "high"
}Explorez le code, testez le modèle, ou contactez-moi pour une collaboration