L'une des succursales d'une banque nationale bien connue en Chine était confrontée à un problème de fidélisation des clients de ses services de banque privée. Chaque compte exige un dépôt minimal journalier de 10 millions de yuans (1,5 million de dollars US). La banque a donc compris qu'il serait nettement plus coûteux d'acquérir de nouveaux clients que de fidéliser ceux existants. Le problème était que les taux de résiliation (le pourcentage de détenteurs de compte qui se désabonnent des services) dépassaient les estimations au cours des trimestres précédents.
La banque a mesuré un taux de résiliation compris entre 5 % et 13 %. Il s'agissait de clients de services de banque privée qui avaient transféré leur compte d'épargne vers d'autres produits ou banques sur une période de quelques mois. Le service des contrats à terme et des dépôts était celui qui enregistrait le plus grand nombre de résiliations. La banque a chargé son service marketing de mener une campagne promotionnelle ciblant les clients les plus susceptibles de retirer leur épargne. Le défi consistait à identifier les clients à hauts revenus les plus susceptibles de se désabonner et à les sensibiliser par des campagnes promotionnelles ciblées pour les dissuader de transférer leur épargne vers d'autres produits ou banques.
L'équipe du projet a eu recours à TreeNet®, un moteur d'auto-apprentissage de Salford Predictive Modeler (SPM), pour déterminer les résiliations potentielles. QY Datatech Inc, partenaire agréé de Minitab en Chine, a présenté la solution Salford Predictive Modeler (SPM) à l'équipe. Le choix s'est porté sur TreeNet en raison de sa flexibilité, de sa précision et de sa capacité à traiter des structures de données comportant un grand nombre d'observations.
TreeNet a permis à l'équipe en charge du projet d'isoler rapidement les variables les plus importantes et d'illustrer visuellement la relation entre ces variables et la probabilité de résiliation. Le modèle TreeNet lui a permis de visualiser les différentes couches d'interaction entre des variables complexes. Dans ce cas, ces variables comprenaient le montant de l'épargne, les achats d'or et autres investissements, l'heure des transactions, le montant des transactions, la profession, la couverture sociale, les dettes, la limite de la carte de crédit, le patrimoine immobilier et la possession d'une automobile.
Après avoir retiré les clients peu réactifs de la liste et validé les modèles, l'équipe a identifié un groupe cible de clients VIP. Les modèles ont permis de prévoir la réactivité des clients aux campagnes promotionnelles à partir des campagnes précédentes.
L'équipe s'est servie de l'analyse TreeNet, car l'automatisation lui a permis en seulement quelques clics d'obtenir un modèle initial prêt à l'emploi et proposant des résultats fiables. TreeNet l'a ensuite aidé à réaliser des analyses plus complexes en seulement quelques jours.
Au final, la banque a réussi à prévoir, avec un niveau de confiance compris entre 80 % et 90 %, qu'au cours des deux mois suivants, elle risquait de perdre 1 700 de ses 12,9 millions de clients de services de banque privée au profit d'un autre fournisseur de services bancaires ou financiers.
La banque a alors mené une campagne promotionnelle auprès de ces clients VIP. Elle a ainsi réussi à réduire le taux de départ de ces clients et à augmenter la quantité de fonds conservés. En outre, les actifs sous gestion des clients (à savoir les dépôts, les contrats à terme, les actions et l'or) conservés par la banque ont enregistré une augmentation de 16 %.
Succursale d'une banque nationale en Chine