Aller au contenu
Data & IA

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.

Démo live

Le simulateur, en direct

Ajustez le profil d’un client et observez sa probabilité de départ et le revenu exposé. Hébergée sur Streamlit Cloud, l’application peut mettre quelques secondes à se réveiller.

Décision métier & modélisation

Le modèle le moins « précis » était le bon

XGBoost affiche la meilleure Accuracy, mais sur un jeu où seuls ~20 % des clients partent, prédire « reste » presque partout suffit à être juste 9 fois sur 10. Son Rappel de 3,4 % le rend aveugle aux départs. La Régression Logistique, avec 66,9 % d’Accuracy, est le seul modèle capable de détecter deux tiers des clients sur le départ (Rappel 63,7 %) : c’est ce qui compte pour une équipe Customer Success.

  • Régression Logistique

    Retenu
    Rappel
    63,7 %
    Accuracy
    66,9 %
  • XGBoost / Random Forest

    Écarté
    Rappel
    3,4 %
    Accuracy
    89,0 %

Rééquilibrage SMOTE

Avec ~20 % de churn, la classe minoritaire est sous-représentée. SMOTE génère des exemples synthétiques de clients partants sur le jeu d’entraînement, pour que le modèle apprenne réellement leur profil.

SHAP

Interprétable par design

Coefficients lisibles et analyse SHAP globale : chaque score de risque s’explique aux équipes métier.

Architecture MLOps

De la donnée brute au dashboard

Le pipeline de bout en bout, de l’analyse exploratoire au micro-service servi au dashboard.

Data Prep

EDA & Preprocessing

Analyse exploratoire des données brutes (10 000 clients), puis rééquilibrage de la classe minoritaire avec SMOTE et normalisation des variables avec StandardScaler.

  • Pandas
  • SMOTE
  • StandardScaler

Stack technique

Outillage

Backend & ML

  • Python 3.10
  • Scikit-learn
  • XGBoost
  • Imbalanced-learn (SMOTE)
  • SHAP
  • Joblib

API & UI

  • FastAPI
  • Uvicorn
  • Streamlit
  • Plotly

Industrialisation

  • Docker
  • Docker-Compose
  • Makefile
  • Git
Voir le code source complet (GitHub)(nouvel onglet)

Structure Docker, notebooks et API qui tournent en arrière-plan.

Autres projets Data & IA

Retour au portfolio