Comment Deutsche Telekom a construit son modèle de prédiction du churn à partir des signaux comportementaux abonnés ?

En 2022, Deutsche Telekom a rendu publics les grandes lignes de son programme de rétention prédictive, déployé sur sa base résidentielle allemande de plus de 40 millions de lignes fixes et mobiles combinées. Le problème n'était pas l'absence de données : chaque abonné génère des milliers d'événements par mois, des CDR (Call Detail Records) aux sessions data, en passant par les tickets d'assistance et les interactions avec l'application MyMagenta. Le problème était de savoir lesquels de ces signaux précèdent réellement la résiliation, et avec quel délai d'anticipation suffisant pour qu'une action commerciale reste rentable.

L'enjeu économique est direct. Dans un marché aussi saturé que l'Allemagne, où le taux de pénétration mobile dépasse 130 % et où les régulateurs de la Bundesnetzagentur encadrent les pratiques tarifaires, acquérir un nouveau client coûte entre trois et cinq fois plus cher que de retenir un abonné existant. Le churn involontaire (impayés, portabilité contrainte) se distingue du churn volontaire, et les modèles qui les confondent produisent des interventions mal calibrées.

Comment Deutsche Telekom a structuré ses signaux comportementaux pour alimenter le modèle

L'équipe data science de T-Systems, filiale IT du groupe, a commencé par cartographier les sources disponibles en trois couches. La première regroupe les données de consommation brute : volume de données mobiles utilisé par rapport au forfait souscrit, fréquence des appels vers le service client, nombre de tickets ouverts sans résolution au premier contact. La deuxième couche intègre les signaux réseau passifs : variations de la qualité du signal (RSRP, SINR) corrélées à la géolocalisation de l'abonné, handover rate anormalement élevé indiquant une couverturecouvertureLe nombre de personnes uniques exposées à votre message sur une période donnée. Contrairement aux impressions, le reach compte chaque personne une seule fois, quel que soit le nombre d'expositions.Voir la définition complète → dégradée perçue. La troisième couche recouvre les signaux commerciaux : fin de période d'engagement à moins de 90 jours, absence de réponse aux campagnes de renouvellement, consultation répétée des pages tarifaires concurrentes dans l'application.

Ce que lesdonnées de signalisation réseau et les CDR permettent ici que d'autres secteurs ne peuvent pas répliquer, c'est de détecter une dégradation d'expérience avant qu'elle ne se traduise en appel au service client. Un abonné qui subit dix handover failures par semaine dans sa zone de domicile a une probabilité de churn statistiquement supérieure à la moyenne, même s'il n'a pas encore contacté l'opérateur.

L'architecture de traitement repose sur une plateforme lakehouselakehouseUne architecture hybride qui combine la flexibilité d'un data lake et les capacités analytiques d'un data warehouse, sur une seule couche de stockage.Voir la définition complète → interne (Hadoop migré progressivement vers un environnement cloud hybride Azure). Les features sont calculées sur des fenêtres glissantes de 30, 60 et 90 jours. Le modèle de base retenu est un gradient boosting (XGBoost), complété par un modèle de survie (Cox proportional hazards) pour les segmentssegmentsDécouper un marché en groupes distincts de clients partageant des besoins, des caractéristiques ou des comportements similaires, afin de traiter chaque groupe avec une approche dédiée.Voir la définition complète → à contrat longue durée, où la temporalité du churn compte autant que sa probabilité.

La question RGPDRGPDRèglement de l'UE encadrant la collecte, le stockage et l'usage des données personnelles, avec des amendes indexées sur le chiffre d'affaires mondial.Voir la définition complète → s'est posée immédiatement. Utiliser des données de localisation agrégées reste légal sous ePrivacy à condition que le consentement soit recueilli ou que l'usage soit strictement limité à la fourniture du service. Deutsche Telekom a opté pour une agrégation au niveau cellule plutôt qu'au niveau individu pour les features réseau, réduisant le risque de requalification en donnée de localisation personnelle. Les features comportementales individuelles (fréquence d'appels, consommation data) entrent dans le cadre du contrat de service, ce qui offre une base légale plus solide.

Quels résultats Deutsche Telekom a-t-il observés sur sa base résidentielle ?

Les chiffres communiqués par le groupe restent partiels et doivent être lus avec ce filtre : Deutsche Telekom n'a pas publié d'étude académique indépendante sur ce programme. Les éléments disponibles proviennent de présentations internes relayées dans des conférences sectorielles (TMForum 2023) et de rapports annuels.

Le modèle a atteint une précision (AUC-ROC) supérieure à 0,82 sur les segments postpayés résidentiels, selon les présentations TMForum, ce qui place la performance dans la fourchette haute des déploiements opérateurs documentés (0,75 à 0,85 selon les benchmarks sectoriels). Plus important que l'AUC : le taux de conversiontaux de conversionLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète → des interventions. Sur les cohortes ciblées par une offre de rétention proactive, le taux de rétention à 90 jours aurait progressé de 8 à 12 points de pourcentage par rapport aux groupes non traités, selon les mêmes présentations. Ces chiffres sont à croiser avec des sources indépendantes avant toute projection interne.

Deux limites sont explicitement reconnues. Le modèle performe moins bien sur les abonnés prépayés, dont les données comportementales sont plus lacunaires et moins stables. Et le drift est rapide : après une campagne commerciale agressive d'un concurrent (comme le lancement d'une offre illimitée par Telefónica Deutschland / O2), les distributions de features changent suffisamment pour dégrader la précision du modèle en quelques semaines. Lasurveillance du drift et le re-entraînement continu sont devenus un processus opérationnel à part entière, pas une tâche périodique.

Ce que les CDO télécom peuvent transposer de ce cas, et où les contextes divergent

La logique de priorisation des features est transposable : qualité réseau perçue, saturation du forfait, proximité de fin d'engagement et fréquence des contacts négatifs avec le service client sont des prédicteurs robustes quel que soit l'opérateur. La pondération relative de chaque signal dépend du mix produit (mobile-only, convergent fixe-mobile, B2B) et de la structure réglementaire locale.

Deux points méritent attention pour des opérateurs de taille plus modeste. D'abord, la qualité des CDR : des opérateurs MVNO qui n'opèrent pas leur propre réseau reçoivent des données de signalisation dégradées ou retardées de leur hôte réseau, ce qui ampute la couche la plus différenciante du modèle. Ensuite, la gouvernance des interventions : un modèle de churn sans processus commercial associé ne retient personne. Deutsche Telekom avait défini des règles d'orchestration strictes pour éviter de sur-solliciter les abonnés à faible risque ou d'offrir des remises à des clients qui auraient renouvelé sans intervention.

Pour les opérateurs qui entrent dans ce chantier en 2026, la contrainte n'est plus algorithmique. XGBoost et les modèles de survie sont bien documentés. La contrainte réelle est l'ingénierie des features en production, la gouvernance des données personnelles sous RGPD et ePrivacy, et la capacité à maintenir la qualité du modèle face à un environnement compétitif qui change vite.

Un churn model qui tourne une fois en batch mensuel est une expérience de data science. Un churn model qui se met à jour chaque semaine, dont les features sont auditées pour conformité et dont les scores alimentent automatiquement les systèmes CRMCRMCustomer Relationship Management : logiciel et stratégie pour gérer et analyser les interactions clients tout au long de leur cycle de vie.Voir la définition complète → de rétention est un actif opérationnel. C'est cette distance que Deutsche Telekom a parcouru, et c'est celle que la plupart des opérateurs ont encore devant eux.

Le parcours complet sur ce secteur :Data dans Télécoms.