• Langue : Anglais
• Discipline : Sciences économiques
• Identifiant : 2024ULILA002
• Type de thèse : Doctorat
• Date de soutenance : 02/02/2024

Résumé en langue originale

Dans le paysage en constante évolution de la gestion commerciale et organisationnelle, la gestion de la relation client (CRM) se positionne comme un pilier, favorisant des liens durables entre les entreprises et leurs parties prenantes précieuses. Au sein de ce domaine du CRM, cette recherche se lance dans un voyage pour explorer trois dimensions cruciales : les données, la méthodologie et l'application.Le chapitre 1 de cette thèse sert de rampe de lancement, introduisant le paysage complet de la gestion de la rétention et offrant une vue plus large des dynamiques complexes qui sous-tendent ce domaine critique. Il pose les bases de compréhension qui s'étendent sur les chapitres de cette thèse.Le chapitre 2 constitue la pierre angulaire de ce voyage, s'aventurant profondément dans le territoire inexploré de l'utilisation des données pour la prédiction de la résiliation des clients entre entreprises (B2B). Ce chapitre utilise un ensemble de données du monde réel provenant d'un fournisseur européen de services logiciels (SaaS) sur une période de 3 ans, contribuant à la recherche existante de quatre manières significatives. L'étude examine la performance de quatre systèmes d'apprentissage automatique courants pour prédire quand les clients cesseront d'utiliser le service, en utilisant des mesures telles que l'AUC, le TDL et l'EMPB pour évaluer leur efficacité. Elle mesure comment différentes façons d'utiliser le produit influencent la décision des clients de continuer à l'utiliser, intégrant cela dans des modèles prédictifs. Le chapitre examine également quand et à quelle fréquence les clients utilisent le produit, ainsi que leur expertise dans son utilisation, explorant comment ces facteurs affectent les prévisions de leur éventuel abandon.Reconnaissant l'écart entre les modèles de résiliation des clients B2B et le soutien décisionnel concret, le chapitre 3 présente B2B-ARM (B2B Actionable Rule Model). B2B-ARM comble le fossé, offrant des voies d'action claires pour la gestion proactive de la rétention. Dans une étude de cas réelle impliquant une entreprise européenne de logiciels B2B avec 6 275 contrats, B2B-ARM est comparé à des modèles de prédiction populaires tels que les arbres de décision, la régression logistique et le naïf Bayes. Excellant dans la détection de la résiliation, B2B-ARM propose des recommandations concrètes et des solutions pour prévenir la résiliation.Le chapitre 4 est consacré à l'adressage des défis critiques dans le déploiement pratique de modèles de prédiction de résiliation pilotés par l'IA au sein d'une entreprise réelle. Cette recherche s'efforce de donner aux organisations des perspectives basées sur les données, leur permettant de prospérer dans des marchés dynamiques et compétitifs en comblant l'écart entre la recherche académique et la mise en œuvre dans le monde réel. En présentant les défis et les recommandations correspondantes, les praticiens sont autonomisés pour naviguer dans les complexités du déploiement des systèmes d'IA dans leurs contextes commerciaux respectifs.Cette recherche conclut en abordant ses limites et en présentant les orientations de la recherche future. Notamment, l'exploration des chapitres 2, 3 et 4 conduit à une extension dans les tests sur le terrain, où différents groupes de campagnes ont été utilisés pour prévenir la résiliation, comme discuté dans la section de recherche future. Cette extension sert de direction inspirante pour les futures entreprises de recherche. Les résultats de la campagne mettent en lumière l'impact pratique des stratégies de rétention et leur applicabilité dans des environnements commerciaux dynamiques, offrant une avenue prometteuse pour de futures recherches dans la quête de réduire la résiliation et d'améliorer les relations avec les clients dans les contextes académiques et pratiques.

Résumé traduit

In the ever-evolving business and organizational management landscape, Customer Relationship Management (CRM) stands as a cornerstone, fostering enduring connections between enterprises and their valued stakeholders. Within this realm of CRM, this research embarks on a journey to explore three pivotal dimensions: data, methodology, and application.Chapter 1 of this thesis serves as a launchpad, introducing the comprehensive landscape of retention management and providing a broader view of the intricate dynamics that underlie this critical field. It lays the foundational understanding that spans across the chapters of this thesis.Chapter 2 forms the cornerstone of this journey, delving deep into the uncharted territory of leveraging usage data for business-to-business (B2B) customer churn prediction. This chapter leverages a real-world dataset comprising 3,959 subscriptions from a European software services provider (SaaS) over a 3-year period, contributing to the existing literature in four significant ways. The study assesses the performance of four common machine learning classifiers in customer churn prediction, using metrics like AUC, TDL, and EMPB to measure their effectiveness. It quantifies the influence of usage variables and their significance as a valuable source of information for churn prediction. Furthermore, the research structures usage data into cross-sectional features, harmoniously integrated into predictive models. The chapter also delves into the timing, granularity, and expertise aspects of customer product usage, exploring their influence on churn prediction models.Recognizing the gap between B2B customer churn models and actionable decision support, Chapter 3 introduces B2B-ARM (B2B Actionable Rule Model). B2B-ARM bridges the divide, offering clear action paths for proactive retention management. In a real-life case study involving a European B2B software company with 6,275 contracts, B2B-ARM is benchmarked against popular prediction models like decision trees, logistic regression, and naïve Bayes. Excelling in churn detection, B2B-ARM offers actionable recommendations and remedies for preventing churn.Chapter 4 is dedicated to addressing critical challenges in the practical deployment of AI-driven churn prediction models within a real company. This research strives to empower organizations with data-driven insights, enabling them to thrive in dynamic and competitive markets by bridging the gap between academic research and real-world implementation. By presenting the challenges and corresponding recommendations, practitioners are empowered to navigate the intricacies of AI system deployment in their respective business contexts.This research concludes by addressing its limitations and outlining future research directions. Notably, the exploration in Chapters 2, 3, and 4 leads to an extension into field testing, where different campaign groups were employed to prevent churn, as discussed in the future research section. This extension serves as an inspirational direction for future research endeavors. The campaign's results shed light on the practical impact of retention strategies and their applicability in dynamic business environments, offering a promising avenue for future research in the quest to reduce churn and enhance customer relationships in both academic and practical contexts.