Toyota Financement, étude de renouvellement clients
Prédire qui revient
Toyota Renewals
Pour les clients Toyota Financement, j'ai étudié le comportement de renouvellement des emprunteurs auto : clustering des profils, analyse d'importance des variables et modèles ML avec sélection de features pour prédire qui renouvellera et aider l'équipe à adapter ses communications.
Le contexte
La branche financement Toyota accompagne des clients en prêt auto, avec des opportunités de renouvellement en fin de contrat. Comprendre qui renouvelle, qui part, et quels facteurs influencent cette décision est essentiel pour la rétention et la planification des communications.
Le défi
Les décisions de renouvellement dépendent d'un mix de signaux financiers, comportementaux et contractuels dispersés dans les dossiers clients. L'équipe avait besoin de plus que des statistiques descriptives : des segments actionnables, des leviers interprétables et des modèles prédictifs assez robustes pour orienter des communications ciblées.
- Profils clients hétérogènes sans archétypes de renouvellement clairs
- Nombreuses variables candidates, impact réel peu évident
- Besoin d'insights interprétables, pas seulement d'un score boîte noire
- Stratégie de communication exigeant une probabilité de renouvellement par client
Ce que j'ai livré
Du clustering exploratoire à l'importance des variables et aux modèles de prédiction de renouvellement pensés pour l'usage opérationnel.
Clustering clients
Application de méthodes de clustering pour regrouper les clients financement selon leurs patterns de renouvellement et profils comportementaux, révélant des segments distincts avec des dynamiques de rétention différentes.
Analyse d'importance des variables
Identification des variables qui influencent le plus les décisions de renouvellement, offrant à l'entreprise des leviers interprétables au-delà des seuls scores de modèle.
Prédiction de renouvellement avec sélection de features
Construction de modèles ML avec sélection de variables pour prédire la probabilité de renouvellement par client, en équilibrant pouvoir prédictif et jeu de features parcimonieux et explicable.
Ciblage des communications
Traduction des sorties modèle en niveaux de risque de renouvellement et insights par segment pour adapter messages, timing et offres aux clients approchant la fin de contrat.
Impact métier
L'étude de renouvellement a donné aux équipes marketing et relation client une base structurée pour les actions de rétention, des segments larges aux scores individuels.
Segments clients actionnables
Le clustering a révélé des archétypes de renouvellement adressables avec des stratégies différenciées.
Leviers interprétables
L'importance des variables a mis en lumière ce qui fait basculer les décisions de renouvellement, utile autant pour la modélisation que pour le dialogue métier.
Scores de renouvellement individuels
Les modèles prédictifs classent les clients par probabilité de renouvellement pour prioriser la relance.
Communications ciblées
Niveaux de risque et insights par segment pour adapter comment et quand contacter les clients avant la fin de contrat.
Stack technique
Python, BigQuery, Tableau pour l'exploration et le reporting
Python
BigQuery
TableauToyota Renewals a transformé une question de rétention en boîte à outils concrète : des segments qui ont du sens, des leviers dont le métier peut discuter, et des scores pour prioriser qui contacter avant qu'ils partent.