Imaginez la scène : un de vos commerciaux raccroche le téléphone, satisfait. Le client semblait engagé, les échanges positifs. Deux semaines plus tard, ce même client résilie son contrat.
Personne n'avait rien vu venir.
Ce scénario, toutes les équipes commerciales le connaissent. Pourtant, dans la grande majorité des cas, les signaux de départ étaient bien là mais éparpillés dans le CRM, dans les tickets support, dans les données d'utilisation. Il manquait simplement un moyen de les lire ensemble, au bon moment, et de les transformer en action concrète.
J'ai donc voulu résoudre ce problème.
Qu'est-ce que le churn client ?
Pour ceux qui ne sont pas familiers avec le terme, le churn correspond à la perte d'un client qui arrête définitivement d'utiliser un service. La santé client, quant à elle, représente la probabilité qu'un client reste engagé sur la durée.
Un agent IA Agentforce pour anticiper le churn client
L’image que j’avais comme objectif, c’était qu’un commercial ouvre une fiche contact, clique sur un bouton, et qu’un agent IA apparaisse dans la barre latérale. Sans avoir besoin de poser la moindre question, l'agent afficherait immédiatement son analyse.
Par exemple :
Ce client est en bonne santé. Ancienneté élevée, utilisation régulière des services, aucun incident notable. Continuez comme ça.
Ou à l'inverse :
Ce client présente un risque de départ. Sollicitations fréquentes du support, faible utilisation de son offre, engagement en baisse sur les derniers mois. Voici les actions que je recommande.
Pour chaque client, le modèle renverrait trois informations :
- un score de churn compris entre 0 et 1 ;
- une prédiction finale ("Churn" ou "No Churn") ;
- les trois principaux facteurs ayant influencé cette prédiction.
L’idée d’utiliser Agentforce, c’est que la conversation continuerait. Peut-être que le commercial appellera le client « à problèmes » pour le convaincre de rester. Ou peut-être qu’il lui enverra un mail. Dans tous les cas, Agentforce pourrait l’aider dans ces actions, contrairement à un prompt, qui lui, resterait statique.
Pour arriver à ce résultat, plusieurs briques entrent en jeuu
Le pipeline Machine Learning : LightGBM, SHAP et MLflow sur Databricks
Je suis parti d'un dataset de churn télécom contenant environ 7 000 clients et 16 variables. C'était largement suffisant pour construire une première version du modèle de santé client.
Sur Databricks, j'ai entraîné un classifieur LightGBM au sein d'un pipeline Scikit-Learn, puis je l'ai déployé avec MLflow.
Pourquoi LightGBM ?
Les données étaient relativement propres et standardisées, ce qui limitait fortement le besoin de prétraitement.
En revanche, presque toutes les variables étaient catégorielles, à l'exception de MonthlyCharges et Tenure. Dans ce contexte, LightGBM était un choix naturel : tant que les colonnes sont typées en category dans Pandas, l'algorithme les gère nativement, sans nécessiter d'encodage manuel.
Autre avantage : LightGBM fonctionne parfaitement avec SHAP TreeExplainer, ce qui permet d'expliquer les prédictions du modèle pour chaque client individuellement.
Une fois le modèle entraîné, j'utilise SHAP pour identifier les trois variables ayant le plus contribué à la prédiction.
Ainsi, au lieu d'obtenir simplement un score de risque, je peux aussi répondre à la question à un million : Pourquoi le modèle considère-t-il que ce client risque de partir ?
C'est cette partie qui permet ensuite à Agentforce de produire une explication pertinente plutôt qu'un simple chiffre.
Le wrapper MLflow
J'ai utilisé un modèle personnalisé MLflow afin de renvoyer davantage qu'une simple classe de prédiction.
L'objectif était d'exposer :
- le score de churn ;
- la prédiction finale ;
- les trois principaux facteurs explicatifs.
Lors de l'enregistrement du modèle, MLflow génère également une signature à partir d'exemples réels d'entrée et de sortie.
Ce détail est important : c'est cette signature que Data Cloud utilise pour valider le schéma attendu. Une erreur à ce niveau suffit à empêcher la connexion BYOM de fonctionner correctement.
Une fois enregistré, le modèle est promu vers un Serving Endpoint Databricks. Il devient alors une API que Data Cloud peut interroger directement.
De Databricks à Salesforce avec BYOM
Une fois le modèle disponible via MLflow, j'ai configuré une connexion BYOM (Bring Your Own Model) dans Data Cloud.
Le principe est simple :
- déclarer l'endpoint externe ;
- définir les schémas d'entrée et de sortie ;
- lancer un batch scoring ;
- écrire les prédictions dans un objet Data Cloud natif.
Les résultats deviennent alors accessibles comme n'importe quelle autre donnée de la plateforme.
Le Data Graph : réunir toutes les données au même endroit
Pour qu'Agentforce dispose de tout le contexte nécessaire, j'ai construit un Data Graph reliant quatre objets :
- Contact (Salesforce Core) ;
- Individual (couche d'identité de Data Cloud) ;
- Customer Dataset (les données du dataset de churn) ;
- Predictions (les résultats du modèle BYOM).
Le résultat est un graphe capable de retourner un unique document JSON contenant :
- les informations du contact ;
- les signaux métier du client ;
- les prédictions du modèle.
Le tout est regroupé sous une même identité.
Agentforce n'a alors plus qu'à consommer ce JSON.
Agentforce en action : du score de churn à la recommandation commerciale
Le template de prompt reçoit les données du Data Graph et génère automatiquement le résumé affiché au commercial.
Le scénario est volontairement simple :
- le commercial clique sur un bouton ;
- Agentforce récupère les données ;
- le résumé du risque de churn apparaît instantanément.
Mais l'intérêt principal vient ensuite.
La conversation ne s'arrête pas à cette première analyse.
Le commercial peut poursuivre avec des questions comme :
- « Pourquoi ce client est-il considéré à risque ? »
- « Peux-tu rédiger un email de rétention ? »
- « Existe-t-il des clients similaires qui ont été conservés ? »
- « Quels signaux ont le plus pesé dans la décision ? »
Comme Agentforce dispose déjà du contexte complet fourni par le Data Graph, il peut répondre directement sans avoir besoin de repartir de zéro.
Churn prédiction et Agentforce : un cas d’usage qui facilite le quotidien de vos équipes
- Pour les directeurs commerciaux et RevOps : La priorisation des actions de rétention n'est plus laissée à l'intuition. Chaque matin, les équipes savent sur quels clients concentrer leur énergie avec une justification claire et explicable derrière chaque signal.
Les résultats attendus : moins de churns non anticipés, un meilleur taux de rétention client, et une allocation optimisée de l'effort commercial.
- Pour les DSI et responsables IT : L'architecture repose entièrement sur des briques Salesforce natives comme Data Cloud et Agentforce, et un modèle IA hébergé sur Databricks. Pas de développement custom à risque, pas de connecteur fragile.
Le modèle est versionné, monitorable et évolutif. Il peut être mis à jour sans remettre en cause l'intégration Salesforce existante.
Mise en production : les points de vigilance
Pour une preuve de concept, l'architecture fonctionne très bien. En revanche, quelques sujets mériteraient d'être renforcés avant un déploiement à grande échelle.
Automatiser le scoring et l'entraînement
Aujourd'hui, certaines étapes restent déclenchées manuellement. En production, les batchs BYOM devraient être lancés automatiquement lors de l'arrivée de nouvelles données.
Mettre en place du monitoring MLflow
Surveiller l'évolution des prédictions dans le temps permet de détecter rapidement les dérives du modèle et les changements de comportement des données.
Construire un vrai pipeline de features
C'est souvent là que se cachent les problèmes les plus complexes.
Les variables utilisées à l'entraînement doivent être calculées exactement de la même manière lors de l'inférence. Tant qu'on travaille avec une seule source de données, cela reste relativement simple. Dès que plusieurs systèmes entrent en jeu, cette cohérence devient critique.
Conclusion
Ce projet m'a surtout permis d'explorer un cas d'usage que je trouve particulièrement intéressant : utiliser un modèle de machine learning pour enrichir le contexte d'un agent Agentforce, plutôt que de lui demander de tout déduire lui-même.
Le modèle apporte une prédiction fiable et explicable. Data Cloud centralise les données. Agentforce transforme le tout en recommandations directement exploitables par les équipes commerciales.
Mais au-delà de la techno, c'est surtout un changement de timing qu'on obtient. Au lieu de découvrir un départ après coup, le commercial est alerté quand il a encore une chance de retourner la situation — un appel, un geste commercial, un mail bien ciblé. Et concrètement, c'est souvent là que se joue la différence entre un client qu'on garde et un client qu'on a vu filer trop tard.
Au final, l'objectif n'est pas seulement de prédire quels clients risquent de partir, mais surtout de donner aux équipes les moyens d'agir avant qu'il ne soit trop tard.
Vous reconnaissez ce problème dans votre organisation ?
Chez Guimini, agence conseil CRM spécialisée Salesforce, nous accompagnons les entreprises qui veulent aller au-delà du CRM transactionnel pour construire un CRM intelligent, qui anticipe et qui agit.
Si vous souhaitez explorer comment la prédiction du churn client pourrait s'intégrer à votre Salesforce, parlons-en.
FAQ : la prédiction du churn avec Salesforce
Faut-il être une grande entreprise pour déployer ce type de solution ?
Non. Dès lors que vous disposez d'un historique client d'au moins 12 mois et d'un volume suffisant de données dans Salesforce, une première version du modèle peut être construite et connectée à Agentforce.
Combien de temps faut-il pour obtenir des résultats ?
Les premières actions de rétention automatisées produisent des résultats mesurables en 2 à 3 mois après déploiement, selon la maturité de votre données CRM.
Combien de temps faut-il pour mettre en place un modèle de prédiction du churn sur Salesforce ?
Pour une preuve de concept comme celle-ci (dataset existant, un seul modèle, un seul cas d'usage), quelques semaines suffisent. Une mise en production à grande échelle demande davantage de temps, notamment pour automatiser le scoring, mettre en place du monitoring et fiabiliser le pipeline de données.
Quelle est la différence entre un chatbot et un agent IA comme Agentforce ?
Un chatbot suit un arbre de décision prédéfini et répond de façon scriptée. Un agent IA comme Agentforce peut raisonner à partir du contexte disponible, répondre à des questions ouvertes et enchaîner des actions (rédiger un email, proposer une recommandation) sans repartir de zéro à chaque interaction.
Nos données Salesforce sont-elles suffisantes pour entraîner un modèle de churn ?
C'est souvent la question de départ. Lors d'un premier cadrage, nous analysons la qualité et la complétude de vos données pour définir une approche réaliste.
Quel est le coût d'un projet de scoring client avec Databricks et Salesforce ?
Le coût dépend principalement du volume de données traité, de la fréquence de scoring (batch ponctuel vs automatisé) et du nombre de modèles déployés. Une preuve de concept reste généralement accessible ; les coûts augmentent avec l'industrialisation (automatisation, monitoring, scoring temps réel).
.webp)