Rétention prédictive
sur portefeuille assurance
Chaque matin, le portefeuille est scoré : le conseiller reçoit la liste des clients à risque de résiliation, le motif probable, et l'offre de rétention à activer.
Le client part en silence.
La décision de résilier s'installe plusieurs mois avant l'envoi du courrier. Sans signal précoce, le conseiller intervient quand l'arbitrage client est déjà fait. Or la littérature CRM est claire depuis longtemps : retenir un client coûte structurellement moins cher que d'en acquérir un équivalent.
Plusieurs mois
Fenêtre observable pendant laquelle un risque de churn s'installe avant que le client ne formalise sa résiliation.
Multi-systèmes
Cotisation, sinistralité, interactions, ancienneté : signaux présents dans plusieurs systèmes, jamais consolidés en vue conseiller.
Orchestration n8n + Claude.
7 étapes chaînées, du déclencheur programmé au logging Salesforce. Claude Haiku 4.5 produit le scoring et la recommandation. n8n route et exécute.
- 01
Schedule Trigger
Exécution planifiée (quotidienne / hebdomadaire)
- 02
Lecture base clients
Google Sheets, base assurance (ancienneté, contrat, cotisation, sinistres, interactions)
- 03
Analyse IA Claude Haiku 4.5
Appel API Anthropic, scoring churn + offre de rétention personnalisée
- 04
Parsing JSON structuré
Code JS, extraction score, segment, raison, offre recommandée
- 05
Switch segment client
Routage 3 voies : churn_imminent, a_risque, loyal
- 06
Email contextualisé
Conseiller alerté pour churn imminent, client remercié sinon
- 07
Log Salesforce
Traçabilité des actions et alimentation du suivi commercial
Une journée type sur 500 clients.
L'agent tourne chaque matin sur la base portefeuille. Voici ce qu'il produit en moins de 5 minutes, prêt à l'action conseiller.
Churn imminent
12
Email conseiller avec offre concrète (ex : remise 15% sur cotisation + service premium 6 mois). Action sous 48h.
À risque
45
Email client avec offre de remerciement et mise en avant du contrat. Geste préventif, pas commercial.
Loyal
443
Email remerciement ancienneté. Pas de ressources conseiller mobilisées, l'IA fait le travail seule.
Ce que le conseiller reçoit le matin.
Le détail du dossier transmis chaque matin.
Détection précoce
Avant résiliation
L'alerte est produite à la lecture quotidienne du portefeuille, en amont du courrier client.
Offre calibrée
Par client
Montant et durée formulés à partir des features client : ancienneté, cotisation, sinistralité, interactions récentes.
Livraison conseiller
Champs structurés
Score, segment, raison et offre arrivent en JSON typé, intégrés comme champs dans la tâche conseiller.
Stack : n8n (orchestration) · Claude Haiku 4.5 via API Anthropic (raisonnement) · Google Sheets (CRM simulé) · Gmail (action) · Salesforce simulé (logging).
Audit du livrable.
Ce que le POC démontre aujourd'hui, et ce qui resterait à faire pour aller en production.
Confirmé : déjà en place
Ce qui est livré et démontrable.
Pattern workflow LLM
Un seul appel Claude Haiku 4.5 par client, avec sortie JSON structurée (score, segment, raison, offre). Pas de boucle agentique itérative : le routage métier reste à n8n. Choix assumé, le cas d'usage ne nécessite pas de planification autonome.
Sortie JSON typée
score_churn (0-100), segment (churn_imminent / a_risque / loyal), raison, offre. Parsing JS dédié, format auditable.
Tool-use orchestré
Chaînage API Anthropic + Google Sheets + Gmail + Sheets de logging. Chaque outil a un rôle isolé.
Routage déterministe à 3 voies
Switch n8n sur le champ segment retourné par Claude. Le LLM produit la décision, n8n l'exécute sans la re-questionner.
Personnalisation ancrée
Offre formulée avec montant € et pourcentage exact, basée sur les features client réelles injectées dans le prompt.
Fenêtre de contexte maîtrisée
Prompt court (~400 tokens features + instructions), pas de risque de truncation ni de coût explosif.
Améliorations POC
À ajouter pour gagner en crédibilité démo. ROI fort, effort raisonnable.
ReAct explicite
Forcer Claude à verbaliser le raisonnement (chain-of-thought dans le JSON) avant d'attribuer le score. Débuggable et explicable.
Guardrails anti-erreur
Bornes 0-100 sur le score, refus si valeur hors range, blocklist données sensibles, anti-relance < 7 jours.
HITL sur cas critiques
Notification Slack à un humain pour validation avant envoi quand score > 0.9. Top 5% des dossiers en supervision.
Anti-hallucination factuelle
Instruction stricte « ne mentionne que les features fournies » et validation post-génération que l'email ne contient pas de chiffres inventés.
Métrique de précision documentée
Benchmark sur ~50 clients à churn réel connu, mesure precision / recall.
KPI latence et coût par run
Logger temps d'exécution et tokens consommés par client. Cible : ~800 tokens × tarif Haiku 4.5, soit un coût marginal de l'ordre du millième d'euro par client traité.
Industrialisation
Nécessaire uniquement en production à l'échelle. À nommer mais pas à embarquer pour un POC.
Feedback loop fermé
Tracker le churn effectif post-action, réinjecter dans un dataset pour calibrer le seuil et fine-tuner si volume le justifie.
Audit biais formalisé
Vérification que les features comportementales ne corrèlent pas avec variables protégées. Obligatoire en assurance régulée.
Observabilité production
Datadog / Grafana, alerting sur taux d'erreur LLM, dérive de distribution, plafond de coût quotidien.