Système Intelligent Multi-Modèles — Rétention Client & Risque de Revenus
Système d'aide à la décision proactif pour anticiper le désengagement client et évaluer le « Revenu à Risque », maximisant le ROI des équipes Customer Success.
- Client
- Projet académique EFREI
- Année
- 2026
- Expertise
- Data & IA
- Prestations
- Data Science, Machine Learning, Data Engineering, Dashboard
- Outils
- Machine Learning
- FastAPI
- Streamlit
- Docker
- MLOps
Contexte
Dans le secteur des services, acquérir un nouveau client coûte 5 à 25 fois plus cher que d'en fidéliser un existant. Ce projet certifiant (RNCP40875, Expert en Ingénierie de Données — EFREI Paris), réalisé par Kévin HEUGAS & Valentin MASSONNIERE, vise à transformer des données d'activité clients brutes en un système d'aide à la décision proactif permettant d'anticiper le désengagement et d'évaluer dynamiquement le "Revenu à Risque".
Notre approche
Le projet déploie un pipeline IA complet (hybride Agile/CRISP-DM).
Modélisation & ML
Entraînement et comparaison de plusieurs algorithmes (Régression Logistique, Random Forest, XGBoost, Deep Learning). Le choix final s'est porté sur la Régression Logistique maximisant le Recall (63.7%) pour cibler efficacement les clients sur le départ.
Data Engineering & Déploiement
Création d'une API FastAPI conteneurisée avec Docker, et gestion du déséquilibre des classes via SMOTE.
Interface
Développement d'un dashboard interactif sous Streamlit pour la simulation client et l'analyse globale.
Livrables
Un micro-service d'inférence (API) et un tableau de bord analytique complet, déployés via Docker-Compose, permettant aux équipes métiers d'optimiser le ROI de leurs campagnes de rétention.