Description du projet
TraduitNous avons une entreprise d'abonnement, et nous perdons des abonnés payants mois après mois, mais nous ne pouvons pas voir à l'avance qui va exactement partir et pourquoi. Nous avons besoin d'un système de prédiction de désabonnement et d'analytique de rétention basé sur nos données historiques : un modèle d'apprentissage automatique qui calcule la probabilité de désabonnement dans les 30, 60 et 90 jours pour chaque client actif. Le modèle ne doit pas être une boîte noire — pour chaque client dans la zone de risque, nous devons voir les principaux moteurs de la prévision afin que l'équipe comprenne la raison : baisse d'activité, problèmes de paiement, tickets de support bloqués, sensibilité au prix ou offre d'un concurrent, et travailler avec la véritable cause plutôt que de deviner.
En plus de la notation, nous avons besoin d'une analytique de rétention de cohortes complète. Montrez les courbes de rétention et les taux de survie par cohortes d'inscription, tarifs, canaux d'acquisition et régions, afin que nous puissions voir exactement où et à quel stade du cycle de vie du client la rétention échoue. Le système doit répartir les clients en groupes de risque compréhensibles et déclencher automatiquement des actions de rétention : e-mails ciblés, réductions limitées, appels de gestionnaires de compte ou messages dans le produit — dès qu'un client franchit un seuil de risque défini. Chaque action déclenchée doit être enregistrée afin que nous puissions mesurer plus tard quelles mesures ont réellement réduit le désabonnement.
Nous attendons des pipelines de données propres et fiables, un réentraînement du modèle selon un calendrier, des métriques de qualité honnêtes (précision, rappel, gain, calibration) et une interface simple que notre équipe non technique peut utiliser chaque jour sans aide extérieure. Veuillez décrire la pile technologique proposée, comment vous validerez le modèle sur nos données et des délais réalistes.
Ce dont nous avons besoin en sortie :
— notation du risque de désabonnement à 30/60/90 jours avec explications des moteurs pour chaque client ;
— tableaux de bord de cohortes, de rétention et de courbes de survie avec filtres ;
— groupes de risque automatiques et déclencheurs d'actions de rétention configurables ;
— pipeline de réentraînement programmé, documentation et transfert de projet.
En plus de la notation, nous avons besoin d'une analytique de rétention de cohortes complète. Montrez les courbes de rétention et les taux de survie par cohortes d'inscription, tarifs, canaux d'acquisition et régions, afin que nous puissions voir exactement où et à quel stade du cycle de vie du client la rétention échoue. Le système doit répartir les clients en groupes de risque compréhensibles et déclencher automatiquement des actions de rétention : e-mails ciblés, réductions limitées, appels de gestionnaires de compte ou messages dans le produit — dès qu'un client franchit un seuil de risque défini. Chaque action déclenchée doit être enregistrée afin que nous puissions mesurer plus tard quelles mesures ont réellement réduit le désabonnement.
Nous attendons des pipelines de données propres et fiables, un réentraînement du modèle selon un calendrier, des métriques de qualité honnêtes (précision, rappel, gain, calibration) et une interface simple que notre équipe non technique peut utiliser chaque jour sans aide extérieure. Veuillez décrire la pile technologique proposée, comment vous validerez le modèle sur nos données et des délais réalistes.
Ce dont nous avons besoin en sortie :
— notation du risque de désabonnement à 30/60/90 jours avec explications des moteurs pour chaque client ;
— tableaux de bord de cohortes, de rétention et de courbes de survie avec filtres ;
— groupes de risque automatiques et déclencheurs d'actions de rétention configurables ;
— pipeline de réentraînement programmé, documentation et transfert de projet.
Éducation et conseil Espèces, Virement bancaire
