Prédiction du churn par l’IA : comment elle fonctionne et comment l’utiliser
Comment le machine learning prédit quels clients vont churner : les données, les modèles, juger un modèle, les pièges à éviter, des scores aux actions.
Par Florian
La prédiction du churn par l’IA utilise le machine learning pour estimer, pour chaque client, la probabilité qu’il résilie, ne renouvelle pas ou cesse de payer dans une période donnée. Le résultat est un score de risque. Le score ne rapporte que s’il déclenche une action précise : une offre de rétention, une nouvelle tentative sur un paiement échoué, un message de l’équipe customer success. Ce guide explique comment fonctionnent les modèles, quelles données les alimentent, comment juger s’ils sont bons, et comment transformer les scores en revenu conservé.
En bref
- La prédiction du churn répond à une seule question : d’après ce que nous savons de ce client aujourd’hui, quelle est la probabilité qu’il parte dans une fenêtre future définie ?
- Commencez par définir précisément le churn. La résiliation volontaire, les paiements échoués et les passages à une offre inférieure se comportent différemment et gagnent à être modélisés séparément.
- Les données de facturation, d’usage du produit et de support prédisent mieux ensemble qu’aucune source seule. Les modèles à base d’arbres, comme le gradient boosting, sont un bon choix par défaut.
- Jugez un modèle avec la précision, le rappel et l’AUC, pas l’exactitude, car les clients qui churnent ne sont qu’une petite part des clients.
- Un score n’a de valeur que si chaque niveau de risque est relié à une action définie.
Que veut dire prédiction du churn par l’IA ?
Le churn, c’est quand un client met fin à la relation : il résilie un abonnement, laisse expirer un contrat ou cesse de payer. La prédiction du churn consiste à repérer ces clients avant qu’ils partent.
Les termes « IA » et « machine learning » sont ici presque interchangeables. En pratique, le système est un modèle supervisé, entraîné sur d’anciens clients dont on connaît l’issue (restés ou partis). Il apprend quels comportements ont précédé un départ, applique ces schémas aux clients actuels et renvoie une probabilité pour chacun.
Pour une activité par abonnement, la version utile comporte trois parties : une définition claire du churn, un modèle qui note les clients actifs à intervalles réguliers, et un ensemble d’actions déclenchées par ces scores.
- 01 Définir le churn L’événement, l’historique visible, l’horizon d’alerte
- 02 Noter chaque client Un modèle entraîné sur les anciens clients, lancé à intervalle régulier
- 03 Agir par niveau Nouvelle tentative, offre, contact ou reconquête, selon le risque
Si vous n’êtes pas encore prêt pour un modèle, deux méthodes plus simples utilisent les mêmes données : trouver ce qui prédit le churn avec des cohortes et le risque relatif, et un score de santé client qui combine quelques signaux en un seul chiffre.
Comment définir le churn avant de construire quoi que ce soit ?
Beaucoup de projets de churn échouent sur la définition, pas sur l’algorithme. Ce qui compte comme churn dépend de l’activité : un abonnement résilié dans un SaaS, un non-renouvellement dans une activité à contrats, une dépense qui baisse dans un modèle à l’usage. Si la définition est mauvaise, le modèle peut être mathématiquement juste et commercialement inutile.
Avant d’écrire la moindre ligne de code de modèle, fixez trois choses :
- L’événement. Qu’est-ce qui marque exactement un client comme parti : une demande de résiliation, la fin de la période payée, ou la dernière nouvelle tentative échouée ?
- La fenêtre d’observation. Quelle durée d’historique le modèle peut regarder pour chaque client.
- L’horizon de prédiction. Combien de temps à l’avance vous voulez être alerté, par exemple 30 ou 60 jours.
Décidez ensuite si vous modélisez séparément la résiliation volontaire, l’échec de paiement involontaire et les passages à une offre inférieure. Ils appellent des réponses différentes. Un client qui a décidé de partir a besoin d’une conversation ou d’une offre. Un client dont la carte a expiré a besoin d’une nouvelle tentative propre et d’un rappel pour mettre à jour sa carte. Les mélanger sous une seule étiquette brouille les deux signaux.
Quelles données prédisent le churn dans un SaaS ?
Il n’existe pas de liste de variables universelle, mais un modèle de churn SaaS s’appuie en général sur trois familles de données :
| Famille de données | Exemples | Ce qu’elle vous apprend |
|---|---|---|
| Facturation | Paiements échoués, expiration de carte, demandes de passage à une offre inférieure, litiges sur facture, remises, offre et périodicité de facturation | La friction de paiement et le niveau d’engagement |
| Usage du produit | Fréquence de connexion, adoption des fonctionnalités, licences activées, profondeur des sessions, tendance dans le temps | Si le client en tire de la valeur |
| Customer success et support | Volume et ton des tickets, scores NPS et CSAT, scores de santé, notes sur le compte | Ce que ressent le client |
Le désengagement apparaît souvent dans les données de support ou de facturation avant de se voir dans l’usage du produit, c’est pourquoi combiner les sources bat en général l’usage seul.
Deux points pratiques sur les variables :
- Préférez les tendances aux instantanés. Un client qui s’est connecté 12 fois ce mois-ci ne dit pas grand-chose. Un client dont les connexions ont baissé de moitié en trois mois en dit beaucoup.
- Traitez les échecs de paiement comme un vrai signal. Le guide technique sur les modèles de prédiction du churn de Lago indique que les clients qui ont deux tentatives de paiement échouées ou plus dans un cycle de facturation présentent une probabilité de 45 % de résilier dans les 60 jours. Prenez-le comme un repère publié plutôt que comme une règle valable pour toutes les activités, mais la tendance mérite d’être testée sur vos propres données.
Si votre outil de support ou votre CRM contient des signaux utiles, nous avons expliqué comment les en sortir : les signaux de churn dans les tickets HubSpot, dans les tickets Gorgias, dans les conversations Crisp, et les enquêtes NPS et CSAT HubSpot face aux vraies résiliations.
Comment fonctionne le pipeline de machine learning ?
Un modèle de churn, c’est plus qu’un script d’entraînement. L’ebook de Cloudera Accelerating customer churn prediction décrit tout le parcours, de la réunion et l’étiquetage des données jusqu’à l’entraînement et la mise en production du modèle, et souligne que les étapes de production sont celles que les tutoriels ordinaires laissent de côté.
Une version simple compte six étapes :
- Collecter et joindre les données des systèmes de facturation, de produit et de support sur un identifiant client commun.
- Construire l’étiquette. Choisissez une date de coupure, prenez tous les clients actifs à cette date, et marquez chacun comme parti ou resté selon une fenêtre d’observation future. Le tutoriel churn de PyCaret décrit cette approche et prévient qu’utiliser des informations postérieures à la date de coupure fait fuiter la réponse dans le modèle.
- Construire les variables à partir de la période antérieure à la date de coupure.
- Entraîner et comparer les modèles avec une validation correcte.
- Noter la base active à intervalles réguliers, par exemple chaque jour ou chaque mois.
- Envoyer les scores dans les outils de votre équipe pour qu’ils puissent déclencher des actions.
L’étape 5 compte plus qu’il n’y paraît. Dans le workflow de PyCaret, la base de clients actifs est passée au modèle chaque mois pour obtenir la probabilité de churn de chaque client. Trier cette liste permet à une équipe rétention de traiter d’abord les clients les plus à risque et de laisser tranquilles ceux dont le risque est très faible.
Quels modèles fonctionnent le mieux ?
Pas besoin d’un réseau de neurones profond pour commencer. La recherche sur les données SaaS penche vers les méthodes à base d’arbres :
- Un benchmark de 17 modèles de machine learning sur le churn SaaS publié en 2025 dans Future Internet a montré que XGBoost et LightGBM offraient un bon équilibre entre performance prédictive, temps d’entraînement et de prédiction, et émissions.
- Une revue de 212 articles parus de 2015 à 2023, publiée dans IEEE Access, recommande les ensembles, le deep learning et les méthodes explicables, et plaide pour une évaluation fondée sur la rentabilité plutôt que sur la seule exactitude.
Il existe des architectures plus profondes. Un article d’ingénierie de Microsoft décrit un modèle hybride qui combine un LSTM bidirectionnel pour les séries temporelles d’usage et un CNN 1D pour le texte des incidents de support. Ce genre de conception a du sens quand vous avez de longs historiques d’événements et du texte libre à grande échelle. Pour la plupart des équipes SaaS, un modèle de gradient boosting sur des variables bien construites est le choix pratique, avec une régression logistique comme référence que vous pouvez expliquer à n’importe qui.
Comment savoir si les prédictions sont bonnes ?
Le churn est en général une issue minoritaire. Si 3 clients sur 100 churnent sur une période, un modèle qui prédit « personne ne va churner » est exact à 97 % et parfaitement inutile.
Modèle qui prédit « personne ne part »97 %exactitude
Départs détectés0 / 3rappel 0 %
restepart
Le guide de Statsig sur la comparaison de modèles fait la même remarque : des étiquettes déséquilibrées font paraître l’exactitude meilleure qu’elle ne l’est. Pour une étiquette de churn avec 3 % de cas positifs, il recommande une validation croisée k-fold stratifiée, pour que chaque pli garde la même proportion de churn.
Utilisez plutôt ces mesures :
- Précision (precision) : parmi les clients signalés à haut risque, combien sont vraiment partis. Une précision faible veut dire que votre équipe gaspille ses efforts et risque d’offrir des remises à des clients qui seraient restés.
- Rappel (recall) : parmi les clients partis, combien le modèle avait signalés. Un rappel faible veut dire que vous laissez filer du revenu qui aurait pu être évité.
- ROC AUC et PR AUC : la capacité du modèle à classer les clients à risque au-dessus des clients sûrs, sur tous les seuils. La PR AUC est particulièrement parlante quand le churn est rare.
- Log loss : si les probabilités elles-mêmes sont bien calibrées, ce qui compte si vous fixez des seuils par niveau de risque.
Le coût de chaque type d’erreur est la question business. Si une offre de rétention vous coûte un mois de remise, une fausse alerte coûte peu. Si l’intervention, c’est une heure d’un account manager senior, ce n’est plus le cas. Fixez votre seuil en tenant compte de ce coût.
Quels pièges rendent les prédictions trompeuses ?
La fuite de données. Elle se produit quand une information indisponible au moment de la prédiction se glisse dans l’entraînement. Elle donne des résultats hors ligne quasi parfaits qui s’effondrent en production. Exemple classique : utiliser comme variable une « raison de résiliation » ou une « demande de passage à une offre inférieure » enregistrée après la date de coupure. Confrontez chaque variable à la question : « Est-ce que je l’aurais su à la date de coupure ? »
La fuite cachée entre plis. Si le même utilisateur ou le même compte apparaît à la fois dans les données d’entraînement et de test, les résultats paraissent meilleurs que la réalité. Statsig recommande un group k-fold pour les données regroupées par utilisateur ou par compte, et de vérifier qu’aucune entité n’apparaît à la fois dans l’entraînement et dans le test.
Le déséquilibre des classes. Vu plus haut : utilisez des mesures adaptées, et envisagez des poids de classe ou un rééchantillonnage.
Une définition floue du churn. Vu plus tôt. Un modèle entraîné à prédire « inactif » ne vous dira pas qui résilie.
Aucune action reliée au score. Un tableau de bord de probabilités ne change rien. C’est la section suivante qui produit les résultats.
Comment transformer les scores de risque en actions de rétention ?
Associez chaque prédiction à un niveau et chaque niveau à une intervention. Montrez aux personnes qui agissent sur un score les principaux facteurs qui l’expliquent, pour qu’elles sachent pourquoi le client est à risque et quoi lui dire.
Une répartition par niveaux qui fonctionne :
| Niveau de risque | Signal typique | Action |
|---|---|---|
| Risque de paiement | Carte expirée, refus répétés | Nouvelles tentatives intelligentes, rappels de mise à jour de carte, emails de facturation clairs |
| Risque élevé, volontaire | Usage en baisse, enquête négative, visite de la page de résiliation | Prise de contact personnelle, offre adaptée, option de pause ou d’offre inférieure |
| Résilié | Abonnement terminé | Message de reconquête au bon moment, avec une vraie raison de revenir |
| Risque faible | Usage sain, paiements à l’heure | Aucune action ; envisagez une montée en gamme |
Trois remarques sur l’exécution :
- Séparez le churn volontaire et involontaire. Les échecs de paiement sont souvent des problèmes mécaniques avec une solution mécanique, c’est pourquoi ils méritent leur propre parcours. Voir paiements échoués.
- Interceptez au parcours d’annulation. Le moment où quelqu’un clique sur résilier est la meilleure occasion de demander pourquoi et de proposer une pause, une offre inférieure ou une autre offre.
- Continuez le contact après la résiliation. Les messages de reconquête marchent mieux quand ils tiennent compte de la raison du départ. Voir les campagnes de reconquête, les emails de reconquête dans HubSpot et reconquérir les clients partis sur Chargebee.
La périodicité de facturation joue aussi sur le risque. La proportion de clients mensuels et annuels change la fréquence de vos occasions d’intervenir, ce que nous traitons dans offres annuelles ou mensuelles et churn.
Notre point de vue
La plupart des petites et moyennes équipes SaaS n’ont pas besoin d’une équipe de data science pour profiter de la prédiction du churn. Il leur faut trois choses : des données de facturation fiables, un signal de risque qui s’explique de lui-même, et des actions automatiques qui tournent sans que quelqu’un consulte un tableau de bord chaque matin.
Nous pensons aussi que le prix ne doit pas vous pénaliser quand vous récupérez du revenu. NoChurn ne prend aucun pourcentage sur les montants récupérés : le prix dépend de votre MRR, donc votre coût reste prévisible à mesure que vous grandissez.
Comment NoChurn prédit-il le churn ?
NoChurn se connecte à Stripe en un clic, ainsi qu’à Chargebee, Paddle, Recurly et d’autres outils de facturation, ou à toute facturation par l’API. Sa prédiction fonctionne en deux couches :
- Un score de churn de 0 à 100 pour chaque client, dès l’inscription. Il lit le type de moyen de paiement, le pays de la carte, la source d’inscription et tous les attributs que vous envoyez, et affiche les facteurs derrière chaque score avec leur poids. Les premiers scores utilisent des valeurs par défaut ; une fois que votre compte a assez d’historique, les poids sont appris sur vos propres clients, et affichés avec le nombre de clients sur lequel ils reposent. Une carte retirée quelques jours avant le renouvellement déclenche une alerte précoce. Voir score de churn.
- Vos propres données, analysées. Envoyez par l’API des attributs comme l’offre, la source d’inscription ou l’usage clé. Les statistiques trouvent lesquels vont avec le churn, avec le risque relatif, un intervalle de confiance à 95 % et la taille de l’échantillon, et l’IA explique les constats en mots simples : corrélation, pas causalité. Voir données perso et IA.
Le score peut ensuite choisir l’offre du parcours d’annulation, le ton des emails de paiement échoué ou le moment des emails de reconquête, et vous pouvez le lire depuis l’API ou le recevoir par webhook.
Toutes les fonctionnalités sont dans toutes les offres. C’est gratuit jusqu’à 300 $ de MRR, puis à partir de 9 $ par mois, et le prix ne dépend que de votre MRR, sans commission. Envoyer depuis votre propre domaine d’email demande une offre payante. Voir les prix.
FAQ
Qu’est-ce que la prédiction du churn client par l’IA ?
C’est l’utilisation du machine learning pour estimer la probabilité que chaque client résilie ou cesse de payer dans une fenêtre de temps choisie. Le modèle apprend sur d’anciens clients dont l’issue est connue, puis note les clients actuels. Le résultat est en général une probabilité que les équipes utilisent pour prioriser le travail de rétention.
Qu’est-ce que la prédiction du churn en machine learning ?
C’est un problème de classification supervisée. Chaque ancien client est étiqueté comme parti ou resté selon une fenêtre définie après une date de coupure, et le modèle apprend quelles variables, comme les tendances d’usage, l’activité de support et les échecs de paiement, ont précédé le churn. Il renvoie ensuite une probabilité de churn pour les clients actifs.
Quel algorithme est le meilleur pour prédire le churn ?
Il n’y a pas de gagnant unique, mais les ensembles à base d’arbres sont un bon choix par défaut pour des données SaaS tabulaires. Un benchmark de 2025 portant sur 17 modèles de churn SaaS a montré que XGBoost et LightGBM équilibrent performance et efficacité. Gardez la régression logistique comme référence simple.
De combien de données ai-je besoin pour qu’un modèle vaille la peine ?
Il vous faut assez d’anciens clients, et assez d’événements de churn, pour que le modèle apprenne des schémas, et la bonne quantité dépend de votre produit et de votre taux de churn. Si vous avez peu d’événements de churn, commencez par des règles simples et un score de santé, comme des échecs de paiement répétés ou des connexions en baisse, et passez à un modèle à mesure que votre historique grandit.
Les paiements échoués doivent-ils faire partie du modèle de churn ?
Oui, mais étiquetez-les séparément de la résiliation volontaire. Les échecs de paiement sont un signal utile : Lago indique une probabilité de résiliation de 45 % dans les 60 jours après deux tentatives échouées ou plus dans un cycle. Ils ont aussi leur propre solution : les nouvelles tentatives et les rappels de mise à jour de carte.
Sources
Toutes consultées en novembre 2026.
- Lago: Churn prediction models, a technical guide for SaaS
- Cloudera: Accelerating customer churn prediction (ebook)
- PyCaret: Predict customer churn using PyCaret
- Mavridou et al., Beyond accuracy: benchmarking machine learning models for SaaS decision support, Future Internet, 2025
- Manzoor et al., A review on machine learning methods for customer churn prediction, IEEE Access, 2024
- Microsoft ISE: A hybrid multi-input churn prediction model with Azure Machine Learning
- Statsig: Cross-model evaluation, fair comparison methods