Churn et rétention client : mesurer, prédire, cibler

Une entreprise qui perd 10 % de ses clients par an renouvelle l’intégralité de sa base en dix ans. Elle finance donc une acquisition permanente pour rester au même niveau. Réduire ce taux de deux points change davantage la trajectoire qu’une campagne d’acquisition supplémentaire.

Ce guide couvre le calcul, ce que valent les repères sectoriels, la construction d’un modèle de départ, et la question que la plupart des projets oublient de poser.

Deux façons de lire le même chiffre

Le taux de churn, ou taux d’attrition, se calcule en divisant les clients perdus sur une période par les clients présents en début de période. Le taux de rétention en est l’exact inverse : une rétention client de 92 % correspond à un churn de 8 %.

Les deux se suivent ensemble. Le churn alerte, la rétention rassure, et regarder l’un sans l’autre fait perdre la moitié de l’information.

Une distinction pèse plus lourd que le choix de l’indicateur. Le churn volontaire vient du client qui décide de partir. Le churn involontaire vient d’une carte bancaire expirée, d’un prélèvement rejeté, d’un changement de structure côté client en B2B. Il représente 20 à 40 % du total selon les secteurs, et il se corrige par des relances automatiques et des notifications de mise à jour de moyen de paiement.

Auditez-le avant de toucher au produit. C’est le gain le plus rapide et le moins cher du sujet, et beaucoup d’équipes lancent un chantier de fidélisation sans l’avoir mesuré.

Les repères sectoriels ne s’accordent pas

Le SaaS oscille entre 0,5 % et 7 % mensuel selon la source consultée, soit un écart de un à quatorze. Les télécoms passent de 24 % à 31 % annuels selon qu’on lit une moyenne ou une médiane, et sans que le périmètre des opérateurs retenus soit toujours précisé.

Ces fourchettes servent à situer un ordre de grandeur, pas à fixer un objectif. Un churn de 8 % par an vaut une catastrophe en SaaS grands comptes et une performance en télécoms. Comparez-vous à votre secteur, à votre modèle de contrat et à votre ancienneté, ou ne vous comparez pas.

Ce qu’un départ coûte

Acquérir un client coûte cinq à sept fois plus qu’en retenir un. Le chiffre est attribué à la Harvard Business Review et repris partout depuis, sans que son périmètre d’origine soit souvent rappelé. Prenez-le comme un ordre de grandeur.

Le calcul de votre côté est plus simple à faire qu’à trouver dans une étude. Un départ coûte le revenu futur perdu, plus le coût d’acquisition à engager pour revenir au même nombre de clients. Ces deux montants figurent dans vos propres données.

En France, deux textes ont mécaniquement augmenté le churn dans la banque et l’assurance. La loi Hamon autorise la résiliation d’un contrat d’assurance à tout moment après la première année. La loi Lemoine a étendu cette possibilité à l’assurance emprunteur, résiliable désormais à tout moment. L’inertie qui protégeait ces secteurs a diminué, et les modèles construits sur des historiques antérieurs à ces textes sous-estiment le risque.

Construire un modèle de départ

Définir les deux fenêtres

Un modèle de churn repose sur une fenêtre d’observation, la période d’historique qui sert à construire les variables, et une fenêtre de prédiction, l’horizon sur lequel il annonce le départ. Un schéma courant retient six mois d’historique pour prédire à trois mois.

Ce cadrage décide de tout le reste. Prédire à trois mois et déclencher une action qui prend six semaines à produire son effet laisse une marge utile. Prédire à sept jours produit un score exact et inexploitable.

Choisir les variables

Trois familles portent l’essentiel du pouvoir prédictif. Les données transactionnelles, avec le triptyque récence, fréquence, montant, plus l’évolution du panier moyen et la régularité des achats. Les données d’usage, fréquence de connexion, fonctionnalités utilisées, taux d’adoption des nouvelles options. Les données d’interaction, nombre de tickets support, délai de résolution, score de satisfaction.

La dégradation compte souvent plus que le niveau. Un client qui se connecte quatre fois par mois n’inquiète pas, sauf s’il s’y connectait vingt fois le trimestre précédent.

Traiter le déséquilibre

Les jeux de données de churn comptent 5 à 15 % de partants. Un modèle entraîné sans précaution apprend à répondre « ce client reste » pour tout le monde, et affiche 90 % de justesse en n’ayant rien appris.

Le rééquilibrage par sur-échantillonnage, la pondération des classes ou l’ajustement du seuil de décision corrigent ce biais. Surtout, changez de métrique. L’exactitude globale est trompeuse sur un jeu déséquilibré. Le rappel, la précision et l’aire sous la courbe ROC disent quelque chose d’utile. Ce déséquilibre n’a rien de propre au churn. La maintenance prédictive affronte le même obstacle, avec des pannes rares et souvent jamais documentées, ce qui oblige à changer de famille de modèles.

Arbitrer entre précision et rappel

Cet arbitrage est économique avant d’être technique, et il revient au métier.

La précision compte quand l’action de rétention coûte cher. Une remise de 20 % ou un appel sortant adressé à un client qui n’allait pas partir est de l’argent perdu. Le rappel compte quand la perte d’un client coûte très cher : mieux vaut solliciter dix clients pour en sauver un si ce client vaut plusieurs années de marge.

Un data scientist qui fixe ce seuil seul fixe une politique commerciale sans le savoir.

Prédire qui va partir ne dit pas qui contacter

Voici où la plupart des projets de scoring client s’arrêtent, et où ils perdent l’essentiel de leur valeur.

Un modèle de churn classique produit une liste de clients à risque. L’équipe marketing appelle les mille premiers, propose une remise, et constate six mois plus tard que 80 % d’entre eux sont restés. Succès apparent. Sauf que personne ne sait combien seraient restés sans l’appel.

Le modeling d’uplift répond à cette question en répartissant les clients selon leur réaction à l’action, et non selon leur risque de départ. Quatre groupes en sortent.

• Les persuadables restent parce qu’on les a sollicités. Ils sont les seuls à produire un gain réel.
• Les acquis seraient restés de toute façon. Chaque remise qui leur est accordée est une marge offerte sans contrepartie.
• Les causes perdues partiront quoi qu’on tente. L’effort dépensé sur eux ne revient pas.
• Les chiens qui dorment partent parce qu’on les a contactés. L’appel de rétention leur rappelle qu’ils peuvent résilier, et certains en profitent séance tenante.

Un modèle de risque cible massivement les acquis, faute de savoir les distinguer des persuadables. C’est le mode d’échec le plus fréquent d’une campagne anti churn, et le plus difficile à détecter, puisque les indicateurs de la campagne paraissent bons.

L’uplift demande une contrainte que beaucoup d’organisations refusent : un groupe de contrôle randomisé, c’est-à-dire des clients à risque que l’on décide délibérément de ne pas solliciter. Sans ce groupe, l’effet de l’action reste invisible. C’est un obstacle politique plus que technique.

Les métriques changent aussi. Le coefficient de Qini remplace l’aire sous la courbe ROC, et le modèle se juge sur le gain incrémental capté aux premiers centiles. Une comparaison de méthodes publiée en 2026 mesure que les 20 % de clients les mieux classés par un modèle d’uplift concentrent 77,7 % du gain incrémental, soit près de quatre fois mieux qu’un ciblage au hasard.

Une nuance utile pour finir sur ce point : ces groupes dépendent de l’offre, pas seulement du client. Le même abonné peut être une cause perdue face à une remise de 5 % et un persuadable face à une remise de 20 %. Le traitement n’est pas binaire, ce qui ouvre la question du bon niveau d’effort par client.

Par où commencer

1. Mesurez la part du churn involontaire avant tout projet de modélisation. Vingt à quarante pour cent du problème se règle par des relances de paiement.
2. Définissez ce qu’est un départ dans votre modèle économique. Une résiliation formelle en assurance, mais quoi en retail sans abonnement ? Trois mois sans achat, six mois, un an ? Cette définition change le modèle et se décide avec le métier.
3. Fixez la fenêtre de prédiction sur le délai d’action, pas sur la performance du modèle. Un score doit arriver assez tôt pour que la sollicitation change quelque chose.
4. Réservez un groupe de contrôle dès la première campagne. Même petit, même imparfait. Sans lui, vous ne saurez jamais si le modèle a servi à quelque chose.

Un projet de scoring d’attrition cadré ainsi produit une première liste exploitable en quelques semaines. Un projet qui commence par le choix de l’algorithme découvre au bout de six mois que personne ne s’était mis d’accord sur la définition d’un client perdu.

Notre équipe modélisation prédictive cadre et construit ce type de modèle, du scoring client jusqu’à la mesure du gain incrémental.

À propos de l’auteur

Charles GERARD est Directeur IA chez Atheïa, cabinet de conseil en data et intelligence artificielle. Il conçoit des modèles prédictifs pour des grands comptes de la banque, de l’assurance, du retail et du transport, avec une pratique du scoring client, de la détection d’attrition et de la prévision par séries temporelles.