Cas d’utilisation : réduire l’attrition grâce à un réengagement opportun par le contenu

Cet exemple illustre comment une marque fictive utilise Predictive Churn pour réduire de manière proactive le taux d’abandon des utilisateurs. Au lieu d’attendre que l’attrition se produise, identifiez les utilisateurs à risque et envoyez-leur des messages personnalisés tant qu’ils sont encore actifs.

Supposons que 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 s’inscrivent, 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 %, c’était trop peu et trop tard. La plupart des utilisateurs ne se réengagent pas, et l’attrition devient inévitable.

Camila souhaite changer cela. Au lieu de réagir à l’attrition après coup, elle utilise Predictive Churn 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 d’attrition basé sur le comportement des utilisateurs
• Segmente les utilisateurs en fonction du niveau de risque
• Crée une campagne de réengagement adaptée aux personnes les plus à risque
• Évalue l’impact à l’aide des analyses de campagne

Étape 1 : Créer un modèle de prédiction d’attrition

Camila commence par modéliser le résultat qu’elle souhaite éviter : l’inactivité des utilisateurs. Pour MovieCanon, l’attrition signifie ne pas lancer de stream pendant 14 jours — c’est donc le comportement qu’elle cherche à prédire.

1. Dans le tableau de bord de Braze, Camila accède à Analytics > Predictive Churn.
2. Elle crée une nouvelle prédiction d’attrition et la nomme « Risque d’attrition sous 2 semaines ».
3. Pour définir l’attrition, elle sélectionne do not et l’événement personnalisé stream_started, qui indique un engagement actif.
4. Elle fixe la fenêtre de prédiction à 14 jours — ce qui signifie que le modèle identifiera les utilisateurs susceptibles de rester 14 jours sans lancer un nouveau stream.

5. Elle sélectionne une audience de prédiction incluant 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 fréquence de mise à jour de la prédiction sur une base hebdomadaire afin que les scores restent à jour.
7. Elle sélectionne Create prediction.

Le modèle commence alors l’entraînement, analysant des comportements tels que les sessions récentes, la fréquence de visionnage et les interactions avec le contenu pour identifier des schémas prédictifs d’abandon. Camila reçoit un e-mail une heure plus tard indiquant que sa prédiction a terminé l’entraînement. Elle l’ouvre dans Braze et vérifie le score de qualité de la prédiction. Il est étiqueté « Good », ce qui signifie que les prédictions du modèle sont probablement précises et fiables. Confiante dans les performances du modèle, elle passe à l’étape suivante.

Étape 2 : Segmenter les utilisateurs par risque d’attrition

Une fois l’entraînement du modèle terminé, Braze attribue à chaque utilisateur éligible un score de risque d’attrition compris entre 0 et 100.

Pour déterminer un seuil de ciblage initial, Camila utilise le curseur d’audience de prédiction afin de prévisualiser le nombre d’utilisateurs dans chaque plage de scores et la précision de la prédiction à ce niveau. Elle ajuste la couverture et la précision en fonction des vrais positifs attendus. Sur cette base, elle décide de cibler les scores de risque supérieurs à 70.

1. Camila accède à Segments dans Braze.
2. Elle crée un segment en utilisant le filtre Score de risque d’attrition et sélectionne la prédiction d’attrition qu’elle a créée :
   • Susceptible de se désabonner : Score supérieur à 70

Étape 3 : Cibler les utilisateurs à risque avec du contenu de réengagement récurrent

Avec sa prédiction et son segment prêts, Camila met en place une campagne récurrente qui contacte automatiquement chaque semaine les utilisateurs identifiés comme étant à risque.

1. Camila crée une campagne récurrente et active le timing intelligent, afin que chaque message soit envoyé au moment où chaque utilisateur est le plus susceptible d’interagir, plutôt que de s’appuyer 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 sur l’événement personnalisé stream_started, afin de suivre combien d’utilisateurs reviennent effectivement consulter du contenu.
4. Camila choisit l’e-mail comme canal principal : il lui offre l’espace nécessaire pour mettre en avant plusieurs suggestions de contenu personnalisées dans un format visuellement riche et sans pression excessive. L’e-mail comprend :
   • Une liste de visionnage personnalisée alimentée par les recommandations produit basées sur l’IA, sélectionnées dynamiquement à partir du catalogue de MovieCanon.
   • Un appel à l’action qui redirige directement vers l’application.

Ainsi, chaque semaine, MovieCanon ne contacte que les utilisateurs qui ont besoin d’un petit coup de pouce — pas de sur-sollicitation, pas de suppositions.

Exemple d’e-mail

• Ligne d’objet : Ne laissez pas ces titres en suspens
• En-tête : Votre prochaine pépite n’attend que vous
• Corps : Vous n’avez pas appuyé sur lecture depuis un moment ? Pas de souci — nous avons sélectionné quelques suggestions rien que pour vous. Des thrillers à combustion lente aux documentaires primés, il y a forcément quelque chose qui vous correspond.
• CTA : Découvrir d’autres suggestions

Étape 4 : Mesurer les performances

Après quelques semaines, Camila consulte les analyses de Campaign pour évaluer l’efficacité de sa stratégie.

Elle observe :

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

Par rapport à l’ancienne Campaign « Tu nous manques » (dont le taux de conversion oscillait autour de 3 %), ce nouveau flux réduit l’attrition dans le groupe cible de 28 %. Elle approfondit l’analyse grâce au rapport d’entonnoir pour identifier les points de décrochage. Si les taux d’ouverture et de clics sont solides, elle remarque une légère friction entre le clic et la conversion, ce qui l’incite à envisager de tester le texte du CTA ou d’expérimenter de nouvelles mises en page.

Pour comprendre l’impact à long terme, Camila suit également le volume d’utilisateurs entrant dans le Segment « Susceptibles de se désabonner » semaine après semaine. Cela l’aide à évaluer la santé globale du cycle de vie et à orienter la stratégie de rétention à un niveau plus large. Enfin, elle consulte la page Analyses prédictives de sa prédiction d’attrition pour comparer les désabonnés prédits et les désabonnés réels — 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 de timing et d’expérimenter des formats de contenu tels que des recommandations en carrousel dans un message in-app.

Grâce à la prédiction du taux d’attrition, au timing intelligent et à la personnalisation alimentée par l’IA, l’équipe de Camila ne se contente plus de réagir à l’attrition — elle prend les devants. Et sa Campaign s’exécute discrètement en arrière-plan, touchant les bonnes personnes, au bon moment, avec un contenu qui les intéresse vraiment.