← Portfolio · Carnet
Analyse de survie client — Télécoms MTN Nigeria
Question métier
Au-delà d’un binaire « va-t-il churner ? », comment le risque de churn évolue-t-il avec l’ancienneté ? L’analyse de survie permet :
- D’estimer la fonction de survie S(t) — probabilité qu’un client soit toujours actif au mois t
- D’identifier les fenêtres d’ancienneté à fort risque (par ex. mois 1–6 après l’onboarding) pour de la rétention ciblée
- De quantifier comment des covariables (forfait, âge, satisfaction) déplacent le hasard
Données
- Source : MTN Nigeria Customer Churn (Kaggle) — 974 clients, 17 attributs dont l’ancienneté (mois), le forfait, la satisfaction, l’issue de churn.
- Cadrage de survie :
duration = Customer Tenure in monthsevent = 1 si Customer Churn Status == 'Yes', sinon 0 (censuré à droite, toujours actif)
Lancer python download_data.py pour récupérer les données (Kaggle CLI requis).
Cibles d’EDA
- Médiane du time-to-churn vs censure
- Différences de hasard par forfait, tranche d’âge, satisfaction
- Raisons du churn (catégorisation de texte libre)
Modélisation
- Kaplan–Meier : courbes de survie stratifiées par forfait et satisfaction
- Cox à hasards proportionnels avec rapports de hasard ajustés sur covariables
- Weibull AFT pour une interprétabilité directe de la durée de vie attendue
Validation
- Indice de concordance (C-index) sur un test mis de côté à 20 %
- Tests log-rank entre strates
Déploiement
- API
POST /customer-survival retournant la durée résiduelle attendue + bande de risque de churn pour les attributs d’un client
- Tableau de bord de rétention classant les clients par probabilité de churn à 90 jours
Résultat métier
- Le ciblage de rétention conscient de l’ancienneté bat le « tout ce qui est classé risqué »
- Les rapports de hasard pilotent les décisions produit/tarification (par ex. le forfait X retient-il plus longtemps que Y, à âge contrôlé ?)
- Le même pipeline s’applique à toute activité par abonnement avec signal ancienneté + churn