ChurnGPT : transformer une résiliation en opportunité via l’IA Generative.

Résultats

Identification de la raison derrière une de demande de résiliation dans 100% des cas (moins de 50% auparavant) ; +150 raisons directement liées à une fonctionnalité produit identifiées en moins de 6 mois et remontées dans la base de donnée de feedbacks clients.

Pour chaque demande de résiliation entrante, une analyse est automatiquement effectuée par ChurnGPT qui fournit sur Slack la raison (supposée) du churn et permet d’aligner toutes les parties prenantes et de mieux gérer ce client (voir de le sauver). En parallèle dès lors qu’une fonctionnalité / besoin / pain produit est identifié l’équipe produit en est aussi informé.

Exemples de résultat

Problématique

Le churn représente les clients qui ont décidés de ne plus utiliser vos services ; il s’agit d’une perte nette de revenue qui peut conduire à mettre en danger votre business s’il n’est pas maitrisé (votre taux de churn doit être inférieur à votre taux d’acquisition + vos upsells afin de maintenir un croissance saine). Pour autant ; beaucoup d’entreprises ont du mal à suivre cet indicateur et ont encore plus de difficultés à le comprendre. Savoir que nous perdons X clients par mois est une donnée intéressante ; mais pourquoi ces clients partent ils ? Comment pourrions nous les retenir ? Quels sont les problèmes à la source de leur décision ? Et comment ; en tant qu’équipe produit notamment ; pouvons corriger la source des frictions qui ont menées à cette décision ?

Si vous êtes un responsable produit et qu’on vous demande “Pourquoi les clients churn ? Qu’est ce que tu fais pour y remédier ?” et que vous ne savez pas répondre à cette question ; il y a des chances que vous ne soyez pas entrain d’attaquer le sujet le plus impactant au sein de votre structure.

Alors comment faire pour analyser ces informations ? Idéalement, à chaque fois qu’un client souhaite résilier un de vos account manager va effectuer les choses suivantes :

• Se rendre dans votre CRM, relire les informations liées à ce client, relire les conversations que vous avez eut avec cette personne, relire les emails et remonter dans le temps de quelques semaines à plusieurs mois.

• Tenter de faire des ponts avec d’autres informations capturée par les équipes Sales au moment de la vente
• Regarder les tendances de connexions sur votre produit
• Identifier des points de friction au niveau des équipes supports, etc…

Dans la vie opérationnelle d’une entreprise, il y de fortes chances que cette personne ne prenne pas le temps d’effectuer un résumé clair et précis de ses apprentissages et que cette donnée ne sera pas transmise aux équipes produit de manière constante et structurée.

Fort de ce constat j’ai créé un outil interne permettant d’effectuer chacune des étapes précédentes, en quelques secondes : ChurnGPT.

Mise en œuvre

Etape 1 : identifier les sources de donnée pertinentes

• Conduite d’une série d’interviews auprès des équipes customer success dans nos 4 principaux pays afin de comprendre quelles sont les données à ma disposition et qui auront de la valeur à être utilisées et suivi pendant plusieurs jours une personne dans son quotidien de gestion des churns afin de comprendre quel était le travail préparatoire à effectuer et comment se déroulait à appel d’un client demandant à résilier.
  • Les données identifiées étaient les suivantes : contenu du CRM contenant des échanges avec l’équipe customer success (email, résumés d’échanges téléphonique, alertes sur le compte), contenu de Hubspot contenant les objectifs cités par le clients lors des échanges avec les équipes commerciales, tendances de connexions sur le produit, contenu des tickets supports.
• Analyse de données sur un ensemble de 5 cas différents afin d’anticiper la volumétrie et manuellement vérifier les corrélations entre les données.

Etape 2 : création d’un proof of concept (POC)

• Itérations rapides afin de vérifier si sur la base des données renseignées un résultat cohérent pouvait être obtenu via de l’IA Generative. Dans notre cas, les résultats obtenus avec GPT3.5 n’étaient pas pertinents ; ils ne le sont devenus qu’à partir de GPT4 et d’un ensemble de donnée dépassant la dizaine d’interactions clients.
• Validation, prise de retours et identification d’améliorations avec les équipes CS du POC sur les 5 cas clients retenus.

Etape 3 : conception

• Après avoir obtenu confirmation que l’investissement sur ChurnGPT était pertinent ; la phase de mise en production pouvait commencer. Cela consiste notamment à :
  • Créer/Récupérer tous les droits d’accès permettant l’automatisation des requêtes sur les différents CRM et dans les bases de données.
  • La mise en place via Zapier des différentes étapes d’automatisations au sein des différents outils connectés.
  • Itérer sur les prompts jusqu’à obtenir des résultats cohérents à chaque fois.
• L’automatisation consiste en 25 étapes permettant d’effectuer les choses suivantes : récupérer les données des différentes sources, cleaner les données des informations générant du bruit (bloc IA), créer des chunks (morceaux de contenus en nombre de tokens) que le modèle d’IA peut supporter), effectuer l’analyse (bloc IA), découper le résultat de l’analyse en différent types de contenus, renvoyer l’information, mettre à jours la raison de churn dans les systèmes d’informations, renvoyer vers la base de donnée produit (ProductBoard) dans le cas où un churn est lié à une raison produit.

Etape 3 : mise en production de la beta

• La mise en production de la beta consiste à lancer ChurnGPT sur un périmètre réduit (la France), sur une durée restreinte (2 semaines) et d’analyser toutes les réponses effectuées.
• Cela permet d’itérer très rapidement et d’améliorer en continu les prompts et l’automatisation en elle même. En 2 semaines 25 mises en production ont été effectuées afin d’arriver sur une V1 fiable.

Etape 4 : déploiement dans tous les pays et amélioration continue

• Le POC validé, la beta test finalisée nous ont permis d’arriver à un niveau de confiance nous permettant de déployer cet outil à l’ensemble de nos collaborateurs dans nos 4 principaux pays.
  • Le produit à continué à être monitoré durant plusieurs mois jusqu’à arriver à la version 50, version dans laquelle nous avons un niveau de confiance très élevé dans les résultats envoyés.
  • Pour chaque demande de résiliation entrante les équipes business se basent aujourd’hui sur le contenu de ChurnGPT afin de préparer leur calls clients, les managers afin de se tenir informés et poser des questions et les équipes produit afin de compiler de la donnée sur les clients churners et compiler de la donnée en vue de réduire les frictions à leur source.

Conclusion

---

---