Cas d’utilisation : Réduisez le taux de désabonnement grâce à un réengagement opportun par le biais de contenu.

Cet exemple illustre comment une marque fictive utilise la prédiction du taux d’attrition pour réduire de manière proactive le taux d’abandon des utilisateurs. Au lieu d’attendre que les clients se désabonnent, identifiez ceux qui sont susceptibles de le faire et envoyez-leur des messages personnalisés tant qu’ils sont encore actifs.

Supposons que Mme Camila occupe le poste de gestionnaire CRM chez MovieCanon, une plateforme de streaming proposant des films indépendants, des documentaires et des séries internationales.

L’équipe de Camila a remarqué une tendance préoccupante : les utilisateurs effectuent une inscription, regardent un ou deux films en streaming, puis disparaissent. Par le passé, ils ont tenté d’envoyer un e-mail générique « Vous nous manquez » une semaine plus tard, mais avec un taux de conversion de seulement 3 %, cela s’est avéré insuffisant et inefficace. La plupart des utilisateurs ne font pas de réengagement, et le taux de désabonnement devient inévitable.

Camila souhaite changer cela. Au lieu de réagir au fait que les utilisateurs se désabonnent après coup, elle utilise la prédiction du taux d’attrition pour identifier les utilisateurs susceptibles de devenir inactifs dans les 14 jours à venir, ce qui permet à son équipe de les réengager tant qu’ils sont encore actifs.

Ce tutoriel explique comment Camila :

• Élabore un modèle de prédiction du taux d’attrition basé sur le comportement des utilisateurs.
• Segmente les utilisateurs en fonction du niveau de risque
• Créez une campagne de réengagement adaptée aux personnes les plus à risque.
• Évalue l’impact à l’aide d’analyses de campagne.

Étape 1 : Créer un modèle de prédiction du taux de désabonnement

Camila commence par modéliser le résultat qu’elle souhaite éviter : que les utilisateurs deviennent inactifs. Pour MovieCanon, se désabonner correspond au fait de ne pas démarrer de streaming dans les 14 jours. C’est donc ce comportement qu’elle souhaite prédire.

1. Dans le tableau de bord de Braze, Mme Camila se rend dans Analytics > Prédiction du taux d’attrition.
2. Elle crée une nouvelle prédiction du taux d’attrition et la nomme « Risque de désabonnement dans deux semaines ».
3. Pour définir le taux de désabonnement, elle sélectionnedo notet l’événement personnaliséstream_started, qui indique un engagement actif.
4. Elle définit la fenêtre de prédiction sur 14 jours, ce qui signifie que le modèle identifiera les utilisateurs susceptibles de passer 14 jours sans démarrer un nouveau flux.

5. Elle sélectionne une audience de prédictions qui comprend tous les utilisateurs ayant déclenché des événements pertinents au cours des 30 derniers jours, fournissant ainsi au modèle suffisamment de comportements récents pour apprendre. 6. Elle définit la planification de la mise à jour des prédictions sur une base hebdomadaire afin que les scores restent à jour. 7. Elle sélectionne Créer une prédiction.

Le modèle commence alors l’apprentissage, en analysant des comportements tels que les sessions récentes, la fréquence de consultation et les interactions avec le contenu afin de mettre en évidence les modèles permettant de prédire les abandons. Une heure plus tard, Camila reçoit un e-mail l’informant que sa prédiction a terminé son apprentissage. Elle l’ouvre dans Braze et vérifie le score de qualité de la prédiction. Il est étiqueté « Bon », ce qui signifie que les prédictions du modèle sont susceptibles d’être précises et fiables. Confiant dans les performances du modèle, elle poursuit.

Étape 2 : Segmenter les utilisateurs en fonction du risque de désabonnement

Une fois le modèle formé, Braze attribue à chaque utilisateur éligible un score de risque de désabonnement compris entre 0 et 100.

Pour déterminer un seuil de départ pour le ciblage, Camila utilise le curseur d’audience prédictive afin de prévisualiser le nombre d’utilisateurs qui se situent dans chaque fourchette de score et la précision de la prédiction à ce niveau. Elle équilibre la couverture et la précision en fonction des vrais positifs attendus. Sur cette base, elle décide du ciblage des scores de risque supérieurs à 70.

1. Camila accède à la section Segments dans Braze.
2. Elle crée un segment à l’aide du filtre « Churn Risk Score » (score de risque de désabonnement) et sélectionne la prédiction de désabonnement qu’elle a créée :
   • Risque élevé de se désabonner : Obtenir un score supérieur à 70

Étape 3 : Ciblez les utilisateurs à risque avec du contenu récurrent visant au réengagement.

Une fois sa prévision et son segment prêts, Camila met en place une campagne récurrente qui cible automatiquement les utilisateurs présentant un risque chaque semaine.

1. Camila crée une campagne récurrente et active la fonctionnalité timing intelligent, de sorte que chaque message soit envoyé au moment où chaque utilisateur est le plus susceptible d’interagir, plutôt que de se baser sur un jour et une heure fixes.
2. Elle cible le segment « Susceptibles de se désabonner » qu’elle vient de créer.
3. Elle définit l’événement de conversion de la campagne comme événement personnalisé afin de suivre le nombre d’utilisateurs quistream_started reviennent effectivement pour consulter le contenu.
4. Camila privilégie l’e-mail comme canal principal, car il lui permet de mettre en avant plusieurs contenus personnalisés dans un format visuellement riche, sans trop de contraintes. L’e-mail comprend :
   • Une liste de favoris personnalisée alimentée par des recommandations d’articles basées sur l’intelligence artificielle, sélectionnées de manière dynamique à partir du catalogue MovieCanon.
   • Un appel à l’action qui les redirige directement vers l’application.

Cela garantit que chaque semaine, MovieCanon n’atteint que les utilisateurs qui ont besoin d’un petit coup de pouce, sans excès d’envoi de messages ni conjectures.

Exemple d’e-mail

• Ligne d’objet : Veuillez ne pas laisser ces titres en suspens.
• En-tête : Votre prochaine montre exceptionnelle vous attend
• Corps : Vous n’avez pas écouté de musique depuis un certain temps ? Pas d’inquiétude, nous avons sélectionné quelques suggestions spécialement pour vous. Des thrillers à suspense aux documentaires primés, vous trouverez certainement un film qui vous plaira.
• CTA : Voir plus de choix

Étape 4 : Mesurer la performance

Après quelques semaines, Mme Camila examine l’analyse de sa campagne afin d’évaluer l’efficacité de sa stratégie.

Elle constate :

• Taux d’ouverture : 31 %
• Taux de clics : 15%
• Taux de conversion (lancement du flux dans les 48 heures) : 11%

Par rapport à l’ancienne campagne « Vous nous manquez » (dont les taux de conversion avoisinaient les 3 %), ce nouveau processus réduit le taux de désabonnement dans le groupe cible de 28 %. Elle examine attentivement le rapport d’entonnoir afin d’identifier les points de désengagement des utilisateurs. Bien que les taux d’ouverture et de clics soient élevés, elle constate un léger décalage entre les clics et les conversions, ce qui l’incite à envisager de tester le texte des CTA ou d’expérimenter différentes mises en page.

Afin de comprendre l’impact à long terme, Camila suit également le nombre d’utilisateurs entrant dans le segment « Susceptibles de se désabonner » chaque semaine. Cela lui permet d’évaluer la santé globale du cycle de vie et d’élaborer une stratégie de fidélisation à un niveau plus large. Enfin, elle consulte à nouveau la page « Analyses prédictives » pour comparer les désabonnés prévus et réels, ce qui constitue une vérification utile pour s’assurer que le modèle fonctionne comme prévu.

Sur la base de ces informations, Camila prévoit de réaliser des tests A/B sur les lignes d’objet, de tester différentes fenêtres temporelles et d’expérimenter différents formats de contenu, tels que des recommandations de type carrousel dans un message in-app.

Grâce à la prédiction du taux d’attrition, au timing intelligent et à la personnalisation basée sur l’intelligence artificielle, l’équipe de Camila ne se contente pas de réagir au désabonnement, elle le devance. Et sa campagne se déroule discrètement en arrière-plan, touchant les bonnes personnes, au bon moment, avec un contenu qui les intéresse réellement.