Agent de rétention
client prédictive
Détecter les clients sur le point de partir, comprendre pourquoi, et proposer l'offre de rétention la plus pertinente, automatiquement.
Le client part en silence.
En assurance, la résiliation arrive par courrier — mais la décision a été prise 3 à 6 mois avant. Les conseillers réagissent quand le mal est fait. Sans signal anticipé, l'acquisition compense à peine la fuite, et le coût d'un client perdu dépasse celui d'une remise ciblée de 15%.
70%
des résiliations auraient pu être détectées en amont
3×
le coût d'acquisition d'un nouveau client vs rétention
0
visibilité conseiller sur les signaux faibles cross-systèmes
Orchestration n8n + Claude.
7 étapes chaînées, du déclencheur programmé au logging Salesforce. L'IA fait l'analyse sémantique, n8n orchestre le routage métier.
- 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.
Industrialiser ce qui était invisible.
L'IA n'est pas la pièce intéressante. La pièce intéressante, c'est de mettre un signal qualitatif entre les mains du conseiller, chaque matin.
Détection précoce
vs réactive
L'alerte tombe avant le courrier de résiliation, pas après
Offre personnalisée
100%
Montant en euros et pourcentage exact, jamais générique
Volume traité
500+ clients
Analyse complète d'un portefeuille en quelques minutes
Action conseiller
Prête à l'emploi
Dossier reçu avec score, raison, offre — clic pour activer
Stack : n8n (orchestration) · Claude Haiku 4.5 via API Anthropic (raisonnement) · Google Sheets (CRM simulé) · Gmail (action) · Salesforce simulé (logging). Conçu, monté et mis en service de bout en bout.
Ce qui est en place, ce qui s'améliore, ce qui attend l'industrialisation.
Lecture honnête du livrable : crédible en démo, lucide sur les limites POC, explicite sur ce qui changerait en production.
Confirmé — déjà en place
Ce qui est livré et démontrable.
LLM agent unique structuré
Claude Haiku 4.5 réalise scoring, segmentation, raison principale et recommandation d'offre dans un seul appel JSON contrôlable.
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 l'IA. Le LLM décide, l'orchestrateur exécute — séparation claire.
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.
KPI précision documenté
Benchmark sur 50 clients avec churn réel connu, mesure precision / recall, à publier sur la page.
KPI latence et coût par run
Logger temps d'exécution et tokens consommés par client. Cible : ~800 tokens × prix Haiku = coût marginal annoncé sur la page.
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.