Résumé technique : ChurnNet : Une IA moderne optimisée pour la prédiction de l'attrition (Churn)

Énoncé du problème

Le secteur de la vente au détail fait face à une concurrence intensifiée et à un abaissement des barrières au changement en raison du passage aux ventes omnicanales, faisant de la rétention des clients une priorité stratégique. Contrairement aux industries contractuelles (par exemple, les télécommunications) où l'attrition est définie par des résiliations explicites, l'attrition dans le commerce de détail non contractuel est déduite de changements comportementaux, tels qu'une réduction de la fréquence ou du volume d'achats. Cette défection « silencieuse » est difficile à détecter mais cruciale à traiter.

Bien que les architectures récentes de deep learning, particulièrement les modèles basés sur les transformeurs comme UniTS (Unified Multi-Task Time Series Model), aient démontré des performances impressionnantes en classification de séries temporelles binaires dans divers domaines, leur application à la prédiction de l'attrition dans le commerce de détail reste sous-étudiée. Ces modèles modernes sont coûteux en termes de calcul, sujets au surapprentissage et nécessitent des jeux de données à grande échelle. À l'inverse, les méthodes traditionnelles d'apprentissage automatique (ML) sont efficaces sur le plan computationnel mais peuvent manquer de capacité à modéliser des dynamiques temporelles complexes. La question de recherche centrale est de savoir si la complexité des architectures modernes de deep learning est nécessaire pour la prédiction de l'attrition dans le commerce de détail, ou si des modèles traditionnels plus simples suffisent pour offrir des performances prédictives solides, une efficacité des données et une viabilité de déploiement.

Méthodologie

L'étude emploie un pipeline structuré pour évaluer et comparer les modèles de ML traditionnels à l'architecture de transformeur UniTS à travers plusieurs jeux de données réels du secteur de la vente au détail.

Jeux de données et prétraitement

L'évaluation utilise quatre jeux de données : deux jeux de données propriétaires d'Infocube (IC1, IC2) et deux jeux de données publics (The Complete Journey [CJ], Let's Get Sort of Real [LGSR]).

• Prétraitement : Les données transactionnelles sont agrégées par identifiant client, filtrées pour exclure les valeurs non positives, et converties en séries temporelles hebdomadaires. Un remplissage par zéro (zero-padding) est appliqué pour les semaines sans transactions.
• Filtrage : Les clients ayant moins de 20 semaines de transactions sont exclus pour garantir un historique comportemental suffisant.
• Étiquetage de l'attrition (Churn Labeling) : Une stratégie d'étiquetage dynamique est utilisée, définissant une fenêtre d'observation ($A=40$ semaines) et une fenêtre d'étiquetage ($B=20$ semaines). Un client est étiqueté comme ayant subi une attrition (1) si sa dépense hebdomadaire moyenne ($\mu$) et sa fréquence de transaction ($f$) chutent toutes deux en dessous de seuils configurables ($\alpha \cdot \mu_A > \mu_B$ et $\beta \cdot f_A > f_B$) dans la fenêtre d'étiquetage. Trois définitions (A, B, C) avec des sensibilités variables ($\alpha, \beta \in \{0,3, 0,4, 0,5\}$) sont testées.
• Fenêtrage des caractéristiques : Une fenêtre de caractéristiques fixe de 20 semaines est utilisée. Pour les clients en attrition, cette fenêtre précède la période d'inactivité ; pour les non-attrites, un segment de 20 semaines aléatoire est sélectionné.

Design expérimental

L'étude construit 36 jeux de données distincts en faisant varier les définitions d'attrition et les stratégies d'équilibrage :

1. Équilibré (1:1) : Nombre égal de clients en attrition et non-attrites.
2. Déséquilibre limité (1:4) : Tous les clients en attrition sont conservés avec quatre fois plus de non-attrites.
3. Sous-échantillonnage équilibré (B-SS) : Versions sous-échantillonnées (2 500 ou 5 000 clients) pour tester l'efficacité des données.

Modèles évalués

• ML Traditionnel : Forêts aléatoires (RF), XGBoost (XGB) et Machines à Vecteurs de Support (SVM).
• IA Moderne : UniTS, un modèle basé sur les transformeurs conçu pour l'analyse de séries temporelles multi-tâches. L'étude utilise le paradigme d'apprentissage supervisé avec transfert d'apprentissage à partir d'un point de contrôle pré-entraîné, évitant ainsi un réglage intensif des hyperparamètres pour refléter une utilisabilité de type « plug-and-play ».

Résultats clés

Les résultats empiriques, évalués selon la précision (accuracy), la précision (precision), le rappel (recall), le score F1 et l'AUC-ROC, révèlent des tendances constantes :

1. Supériorité des modèles traditionnels : Les modèles basés sur les arbres (XGBoost et Random Forest) surpassent systématiquement UniTS et SVM dans toutes les conditions expérimentales, y compris pour les jeux de données équilibrés et déséquilibrés.
   • Sur les jeux de données équilibrés (ex. IC1, Définition A), XGBoost a atteint une précision de 0,77 contre 0,72 pour UniTS.
   • Sur les grands jeux de données (LGSR), XGBoost et RF ont atteint des précisions de 0,94–0,96, surpassant nettement UniTS (0,80–0,87).
2. Robustesse au déséquilibre : Sous un déséquilibre de classe (1:4), les modèles basés sur les arbres maintiennent un rappel et une précision plus élevés que UniTS et SVM. Par exemple, sur le jeu de données IC2, XGBoost a maintenu un rappel de 0,57 sous déséquilibre, alors que le rappel de SVM s'est effondré à 0,24.
3. Efficacité des données : Une conclusion critique est la dégradation des performances de UniTS dans les scénarios de rareté de données.
   • Sur le jeu de données complet IC2, UniTS a atteint une précision de 0,80.
   • Sur une version sous-échantillonnée (IC2*), la précision est tombée à 0,73.
   • Sur une version encore réduite (IC2**), la précision s'est effondrée à 0,50.
   • En revanche, XGBoost et RF ont maintenu une précision élevée (0,82–0,85) même avec des tailles d'échantillons considérablement réduites, démontrant une efficacité des données supérieure.
4. Impact de la définition de l'attrition : Les performances se sont généralement améliorées avec des définitions d'attrition plus indulgentes (passant de A à C), probablement en raison de l'augmentation de la taille des échantillons et d'une plus grande séparabilité des classes, mais le classement relatif des modèles (Arbres > UniTS > SVM) est resté constant.

Signification et affirmations

L'article affirme que pour la tâche spécifique de la prédiction de l'attrition dans les environnements de vente au détail non contractuels, les méthodes conventionnelles d'apprentissage automatique restent le choix supérieur par rapport aux architectures de transformeurs à l'état de l'art comme UniTS.

• Implications pratiques : Les conclusions suggèrent que pour les applications typiques de la vente au détail où les données sont structurées et souvent limitées, les méthodes d'ensemble traditionnelles (XGBoost, Random Forest) offrent une solution plus fiable, efficace et rentable. Elles atteignent des performances prédictives solides avec des exigences de ressources computationnelles moindres et une meilleure généralisation sur de plus petits ensembles de données.
• Limites de l'IA moderne : Bien que UniTS soit théoriquement bien adapté pour modéliser les dynamiques temporelles, l'étude indique qu'il est moins performant sur les jeux de données tabulaires de petite à moyenne taille en raison de ses besoins élevés en données et de sa complexité. Les auteurs notent que leurs résultats reflètent la performance de UniTS sous ses configurations par défaut ; un réglage fin (fine-tuning) spécifique pour les tâches d'attrition pourrait modifier ces résultats, mais les preuves actuelles favorisent les modèles plus simples.
• Directions futures : L'article suggère que les recherches futures devraient explorer l'intégration de caractéristiques contextuelles supplémentaires (ex. activité de navigation, promotions) et mener des analyses systématiques du temps d'entraînement et de l'efficacité énergétique pour évaluer davantage la viabilité des architectures avancées dans un déploiement réel.

En conclusion, l'étude remet en question l'hypothèse selon laquelle les modèles plus « gros » ou plus « modernes » sont toujours nécessaires, démontant que pour la prédiction de l'attrition dans le commerce de détail, la simplicité et l'efficacité des données des modèles traditionnels basés sur les arbres procurent un avantage robuste.