Le churn pour la startup Koober

Épisode 1 : Le cas Koober et la distinction engagement / activité

Le churn ou attrition en français désigne la perte de clientèle ou d’abonnés. L’analyse du churn peut permettre de définir des actions de rétention, mais aussi de modifier les formules d’abonnement ou de mieux recruter les futurs clients ou abonnés.

Cette problématique revêt différentes formes selon l’activité de l’entreprise et la formule d’abonnement. Dans cette série d’articles, nous présenterons nos analyses pour le cas particulier de Koober comme suit :

• Au premier épisode, nous allons présenter le contexte et les particularités du cas Koober.
• Au second épisode, nous allons traiter la problématique de prédiction et détection d’un profil particulier : les "dormants".
• Au dernier épisode, nous allons analyser et prédire le churn ainsi que les facteurs menant au churn.

‍

Qu’est-ce que Koober ?

Koober est une application mobile, éditée par une startup française dont le mantra est « 1 livre en 20 minutes ». À ce jour, l’application propose plus de 1500 livres dans une version condensée, nommée koob en anglais et en français. Ces koobs au format audio ou écrit, peuvent être lus ou écoutés en moins de 20 minutes.

Différentes thématiques sont proposées : Gain de productivité, Indépendance financière, Entrepreunariat, Relations humaines etc…, et les utilisateurs peuvent également choisir de suivre des parcours comprenant plusieurs koobs avec un ordre pédagogique et des quizz pour valider la mémorisation des principaux concepts.

Pour profiter de ses koobs, deux formules d’abonnement sont proposées, à la suite d’une période d’essai de 7 jours : l’une annuelle, et l’autre mensuelle. Le renouvellement des abonnements est tacite à la fin de la période, sauf annulation avant le terme.

‍

Comment définir le churn dans le cas de Koober

D’emblée, cette commercialisation par abonnement implique une première difficulté : le renouvellement tacite. Cela induit un comportement particulier de certains utilisateurs qui, pour ne pas voir leur abonnement renouvelé sans action de leur part, préfèrent stopper leur engagement dès le départ et continuer à profiter de l’application sur l’ensemble de la période prépayée en se laissant le choix de renouveler le moment venu.

Ainsi, nous pouvons distinguer 4 profils d’abonnés Koober :

• 2 profils "classiques" : l’abonné actif sur la plateforme, n’ayant pas stoppé son engagement ; et le churneur qui n’a plus accès à la plateforme.
• 2 profils "limites" : l’abonné actif sur la plateforme, mais ayant stoppé son engagement (churneur par peur du renouvellement ?) ; l’abonné inactif mais toujours engagé, renouvelé tous les mois / ans (nous l’appellerons par la suite dormant).

Le business modèle de Koober repose sur la durée d’abonnement de ses clients (LTV), maximiser celle-ci permet de réduire le ratio LTV/CAC (Coût d’acquisition Client) qui est le fondement de sa rentabilité.

Pour cela, notre objectif est de prédire si un utilisateur est sur le point de churner : il faut donc savoir distinguer les comportements d’un potentiel churneur et celui d’un abonné actif, afin de mettre en place des stratégies marketing adéquates.

Néanmoins, les 2 profils limites ayant des comportements singuliers, il est important d’identifier les utilisateurs appartenant à ces catégories : appliquer sur un dormant les actions prévenant le churn pourrait réveiller l’utilisateur, lui rappeler son abonnement à une plateforme qu’il n’utilise pas, et donc s’avérer totalement contre-productif !

La prédiction du churn ne peut donc s’effectuer qu’à partir des profils dit “classique", ainsi donc après ’identification et suppression des cas "limites", Les abonnés restant pourrons donc être séparés en deux groupes : les "potentiels churneurs" et les "non-churneurs".

Ce travail a pu s’effectuer grâce aux données mises à notre disposition par Koober : une base de données contenant tous les clients ayant validé au moins un abonnement entre le 1er Octobre 2019 au 11 Aout 2020. Pour chacun de ces utilisateurs, nous disposons de leurs dates d’abonnement et de désabonnement (s’il a eu lieu), leur historique de connexion, ainsi que leur historique de lectures (koobs lus, catégories, parcours suivis).

Étape 1 : écarter les désengagés actifs

Intéressons-nous au premier des cas limites : à partir des données fournies par Koober, nous observons que plus de 40% des désabonnements s’effectuent dans les 5 premières semaines suivant l’abonnement. Dans ce contexte, il est très difficile d’analyser le comportement d’un abonné à l’année : en ayant churné dès le premier mois, il lui reste encore 11 mois pour profiter des services Koober. Le churneur est-il insatisfait du service (cas "classique"), ou prend-il simplement ses précautions afin d’éviter un prélèvement un an plus tard (cas "limite") ?

Pour toutes ces raisons, nous allons nous concentrer sur les abonnés mensuels. Parmi ces derniers, un comportement similaire par rapport à la reconduction tacite est observé, avec des pics de désabonnements autour de 30/60/90/… jours, soit juste après le prélèvement pour le mois suivant (cf. figure ci-dessous). En supprimant de notre étude les abonnés et churneurs avec moins de 35 jours d’ancienneté, nous pouvons donc étudier le comportement des abonnés ayant "choisi" de continuer. À ce stade, nous avons identifié un premier type de client qui rendra notre prédiction fiable.

‍

‍

Étape 2 : identifier et isoler les abonnés non-actifs (les dormants)

Parmi les abonnés mensuels, nous distinguons un profil de clients singulier qui ne présentent qu’une très faible activité sur la plateforme. L’identification de ces clients ainsi que la prédiction d’un potentiel dormant est cruciale : le risque de les "réveiller" et donc de les conduire à un churn n’est pas négligeable.

La figure ci-dessous représente la répartition des clients par récence (jours écoulés depuis leurs dernière connexion). Il est certain qu’un client mensuel qui ne s’est pas connecté depuis 1 ans est un dormant, cependant, la frontière entre dormants et non-dormants est néanmoins floue et ambiguë : La prise en compte des comportements clients lors de l’identification des dormants est très peu traitée dans la littérature.

‍

L’identification et la prédiction des dormants sera l’objet de notre deuxième article sur la prédiction du churn dans le cas Koober.

Une fois les profils dormants identifiés, ils peuvent être mis de côté, et la prédiction du churn peut se faire sur les utilisateurs restants.

‍

Prédiction du churn

En utilisant les données fournies par Koober, nous avons identifié les variables pertinentes pour la prévention du churn et liées au comportement de l’utilisateur en termes de connexions et de lectures. Nous avons ensuite mis en place des techniques d’apprentissage automatique pour déterminer quels utilisateurs sont de potentiels churneurs. Cela fera l’objet de notre troisième et dernier article sur le sujet.

‍

Rendez-vous dans notre épisode 2 pour le cas particulier des abonnés dormants, puis dans l’épisode 3 pour lire les résultats de nos modèles de prédiction !

‍

Cette série d'articles a été écrite avec la participation de Vincent Talbo, Imane Bouzid, Hatime Araki et les équipes Koober.