La prédiction et la réduction de l'attrition peuvent représenter un vrai défi pour les entreprises. L'atteinte d'un taux « acceptable » dépend de nombreux facteurs, comme leur ancienneté ou leur secteur d'activité. Même les multinationales de renom connaissent des fluctuations de ce taux. À titre d'exemple, ce dernier atteignait 3,3 % en mars 2022 chez Netflix, soit un point de pourcentage de plus que le même mois de l'année précédente. Dans cet article, nous vous expliquons comment élaborer et gérer une stratégie de prédiction de l'attrition adaptée à votre entreprise.

Sommaire

• Définition de l'attrition
  
• Types d'attrition
  
• Poids de l'attrition sur les entreprises
  
• Techniques de modélisation de la prédiction de l'attrition
  
• Intégration et gestion des données dans le cadre de la prédiction de l'attrition
  
• Défis associés à la prédiction de l'attrition
  
• Marche à suivre pour élaborer une stratégie efficace de prédiction de l'attrition
  

Définition de l'attrition

L'« attrition » correspond au pourcentage de clients qui cessent d'utiliser les produits ou les services d'une entreprise au cours d'une période donnée. Ce concept central a un impact direct sur les revenus et est un bon indicateur du niveau de satisfaction et de fidélité des clients. Par exemple, un taux d'attrition élevé peut suggérer des problèmes avec le produit ou le service concernés en eux-mêmes, ou avec l'expérience client globale. Dans la mesure où il est plus rentable de conserver les clients existants que d'en acquérir de nouveaux, les entreprises ont par ailleurs tout intérêt à investir dans la réduction de cette attrition.

Types d'attrition

Il existe plusieurs types d'attrition. En voici quelques exemples.

• Attrition volontaire
  Elle a lieu lorsque les clients prennent activement la décision de ne plus utiliser un service ou un produit. Les motifs qui les conduisent à agir dans ce sens sont multiples : insatisfaction, recours à une alternative plus avantageuse ou évolution des besoins.

• Attrition involontaire
  Elle est liée à des échecs de paiement, aux expirations de carte bancaire et à d'autres problèmes logistiques, et non à une volonté des clients de se détourner du service ou des produits concernés. Les entreprises peuvent remédier à ce type d'attrition en améliorant leurs systèmes de paiement ou leur assistance à la clientèle.

• Attrition active
  Elle concerne les clients qui résilient un service ou un abonnement. En général, leur décision est communiquée à l'entreprise par le biais d'une procédure d'annulation dédiée.

• Attrition passive
  Elle a lieu lorsque les abonnements arrivés à expiration ne sont pas renouvelés, la plupart du temps sans communication active ni résiliation explicite. Ce type d'attrition est courant dans le cadre des modèles de facturation par abonnement.

• Attrition des revenus
  Elle correspond à la perte de revenus associée à la révision à la baisse par les clients de leurs offres ou de leurs achats de produits ou de services, plutôt que de s'en détourner totalement.

• Attrition de la clientèle
  Ce terme consacré utilisé pour parler de l'attrition fait référence à la perte des clients ou des abonnés eux-mêmes, plutôt qu'aux revenus qu'ils représentent.

Poids de l'attrition sur les entreprises

La perte de clients a des répercussions sur l'ensemble des aspects de l'entreprise, du chiffre d'affaires au développement de produits en passant par les actions marketing. Le marché mondial de la gestion de la réussite client, domaine qui s'attache à fournir à la clientèle exactement ce qu'elle souhaite ou ce dont elle a besoin, en plus de représenter un facteur clé dans la réduction de l'attrition, pesait en 2022 1,45 milliard de dollars, selon les estimations de Straits Research. Qui plus est, ce marché devrait connaître un taux de croissance annuel composé de près de 25 % jusqu'en 2031, un chiffre qui démontre encore l'importance de limiter l'attrition.

Les répercussions de ce phénomène se retrouvent notamment dans les aspects suivants de l'entreprise.

• Revenus
  L'attrition de la clientèle a un impact immédiat sur le chiffre d'affaires. La perte de clients est en effet synonyme de revenus moindres, en particulier pour les modèles économiques qui reposent sur les abonnements. Les répercussions peuvent par ailleurs s'avérer particulièrement notables pour les entreprises jeunes ou de petite taille, dont chacun des clients représente une part plus importante du chiffre d'affaires total.

• Développement de produits
  Des taux élevés d'attrition peuvent être le signe d'un problème avec un produit ou un service. Les entreprises ont par conséquent tout intérêt à analyser les raisons qui poussent les clients à se détourner de leurs services, en vue d'identifier les domaines dans lesquels des améliorations ou des remaniements sont nécessaires.

• Coût d'acquisition des clients
  L'acquisition de nouveaux clients pour remplacer ceux perdus nécessite d'importants investissements en matière de stratégie marketing et de vente. Ces coûts, susceptibles d'augmenter rapidement, rendent le maintien de la rentabilité plus difficile.

• Réputation de la marque
  Le renouvellement fréquent de la clientèle peut nuire à la réputation d'une entreprise et décourager les clients potentiels.

• Bien-être des collaborateurs
  Des taux élevés d'attrition peuvent également avoir un impact sur le moral, les performances et l'engagement des employés, en particulier de ceux qui sont directement impliqués dans le service à la clientèle et la fidélisation.

• Analyse du marché
  L'attrition fournit également de précieuses informations sur les tendances du marché et les préférences des clients, autant d'éclairages que les entreprises peuvent utiliser pour adapter leurs stratégies, parfaire leurs produits et aligner leur offre sur les besoins de la clientèle.

• Croissance globale
  L'attrition peut orienter la trajectoire de croissance globale de l'entreprise au fil du temps. Si la fidélisation des clients est essentielle pour assurer une croissance et une expansion régulières, des taux élevés d'attrition peuvent entraver la capacité d'une entité à se développer efficacement et à atteindre ses objectifs à long terme.

Techniques de modélisation de la prédiction de l'attrition

Il existe de nombreuses techniques de modélisation sur lesquelles s'appuyer pour prédire le taux d'attrition. En voici quelques exemples.

Régression logistique

La régression logistique est un modèle statistique qui permet de prédire des résultats binaires, notamment le départ ou non d'un client. Cette technique de modélisation s'appuie sur divers indicateurs, comme les données démographiques, l'historique d'achats et les interactions pour établir ses prédictions.

• Fonctionnement de la régression logistique
  La régression logistique utilise les données historiques sur les clients, à la fois actuels et anciens, et examine une série de variables susceptibles d'influencer leur décision de se détourner de l'entreprise. Ce modèle calcule les probabilités d'attrition pour chaque variable, de façon à identifier les facteurs les plus enclins à mener à la perte d'un client. Par exemple, une valeur positive élevée associée à la variable « nombre de plaintes concernant le service » suggère qu'un nombre élevé de plaintes sera relié à de fortes probabilités d'attrition.

• Pertinence de cette technique
  Cette technique convient particulièrement aux entreprises qui disposent d'un important volume de données sur leurs clients et qui opèrent dans des secteurs où la rétention de la clientèle est essentielle, à l'image des télécommunications, de la finance, des services d'abonnement et de l'e-commerce. Les résultats binaires souvent bien définis de ces entités (comme le fait qu'un client renouvelle ou non son abonnement) font de la régression logistique un choix pertinent pour couvrir leurs besoins en matière de modélisation prédictive.

• Avantages de la régression logistique
  Comparée à d'autres méthodes, la régression logistique est facile à mettre en œuvre et à maîtriser. Elle fournit à la fois des prédictions et des renseignements pertinents. Par exemple, un modèle qui indique qu'un problème particulier est source d'attrition permettra de concentrer les efforts à la résolution de celui-ci.

• Défis associés à la régression logistique
  La régression logistique suppose une relation linéaire entre les variables indépendantes et un rapport logarithmique entre les cotes (soit la probabilité qu'un résultat particulier se produise), une configuration qui ne se vérifie pas toujours dans le monde réel. Ce modèle peut impliquer des relations complexes entre données, telles que les interactions entre variables. Des données déséquilibrées (par exemple, un fort écart entre le nombre de clients fidèles et de clients qui se détournent de l'entreprise) peuvent par ailleurs introduire un biais en faveur de la catégorie la plus représentée, et par conséquent réduire l'efficacité de ce modèle.

À retenir : la régression logistique constitue un choix pertinent pour modéliser l'attrition dans les scénarios qui impliquent un résultat binaire simple et un important volume de données sur les clients. Elle s'avère particulièrement précieuse pour les entreprises qui souhaitent anticiper l'attrition de la clientèle tout en identifiant les facteurs qui en sont à l'origine.

Arbres de décision

Les arbres de décision constituent une autre méthode populaire de modélisation de l'attrition de la clientèle. Cette technique, qui fonctionne bien dans les scénarios où les décisions peuvent être décomposées en une série de choix binaires, est idéale pour comprendre les schémas complexes. Ces derniers y sont représentés sous la forme de structures arborescentes basées sur différents attributs et comportements client, tels que les habitudes d'utilisation, les types d'offres et les retours d'information.

• Fonctionnement des arbres de décision
  La méthode de l'arbre de décision se veut intuitive et conviviale. Elle s'appuie sur différents critères pour diviser un ensemble de données en sous-ensembles plus petits, créant un arbre composé de nœuds de décision et de feuilles. Chaque nœud de l'arbre représente un test sur un attribut (tel que la fréquence d'utilisation du service), et chaque branche représente un résultat de ce test menant au nœud suivant ou à une feuille donnant la décision finale (attrition ou non). Les arbres de décision peuvent par exemple répartir les clients en fonction de leur âge, puis diviser chaque groupe en fonction de leurs habitudes de consommation. À chaque étape, le segment de clientèle s'affine un peu plus et permet de prédire la probabilité d'attrition pour le groupe en question.

• Pertinence des arbres de décision
  Les arbres de décision sont très efficaces pour les entreprises qui disposent d'une clientèle variée pour laquelle les sources pouvant influencer l'attrition sont nombreuses, comme dans le commerce en ligne, les télécommunications et le secteur des services bancaires. Dans la mesure où elle procure des options d'interventions ciblées, cette méthode se veut utile dans les situations où il est important de connaître les schémas de décision spécifiques qui conduisent les clients à résilier leurs services.

• Avantages des arbres de décision
  L'un des principaux avantages des arbres de décision réside dans leur simplicité. La représentation visuelle claire facilite l'identification et la communication des facteurs qui conduisent à l'attrition. Cette visibilité est particulièrement précieuse dans le cadre de la planification stratégique et de la mise en œuvre de stratégies de rétention ciblées. Les arbres de décision sont aussi bien compatibles avec les données numériques que catégorielles, ce qui en fait un choix pertinent pour différents types de données clients.

• Défis associés à l'utilisation des arbres de décision
  Bien qu'utiles dans de nombreux contextes, les arbres de décision s'accompagnent d'un certain nombre de défis. Ils présentent notamment le risque de complexification accrue lorsque de trop nombreux schémas non liés sont capturés dans les données d'apprentissage, menant à une mauvaise généralisation des nouvelles données. Ce phénomène est qualifié de surapprentissage, c'est-à-dire que le modèle s'adapte exactement à ses données d'apprentissage, sans pouvoir interpréter avec précision les nouvelles informations, capturant ainsi le « bruit » (informations inutiles) plutôt que les schémas sous-jacents. D'autre part, les arbres de décision peuvent être difficiles à utiliser dans le cadre de tâches qui nécessitent la capture de relations linéaires, pour lesquelles la régression logistique pourrait représenter une meilleure option.

À retenir : les arbres de décision sont un précieux instrument de modélisation de l'attrition, en particulier dans les scénarios où il est important de disséquer des schémas de décision spécifiques. Ils sont appréciés pour leur simplicité visuelle et leur compatibilité avec divers types de données. Bien qu'ils présentent leurs limites, telles que la propension au surapprentissage et la sensibilité aux changements de données, les arbres de décision restent pour de nombreuses entreprises un outil particulièrement efficace pour identifier et visualiser les facteurs d'attrition.

Réseaux neuronaux

Les réseaux neuronaux, qui correspondent à un type d'apprentissage automatique, constituent une stratégie plus avancée du domaine des modèles de prédiction de l'attrition. Contrairement aux modèles linéaires traditionnels, les réseaux neuronaux permettent de capturer des relations complexes au sein d'ensembles de données. Ils s'avèrent particulièrement pertinents pour s'attaquer aux complexités associées aux comportements de la clientèle et à l'attrition tandis que les facteurs qui incitent le client à partir peuvent être multiples et s'imbriquer les uns dans les autres.

• Fonctionnement des réseaux neuronaux
  Les réseaux neuronaux s'inspirent de la structure et du fonctionnement du cerveau humain. Ils sont constitués de couches de nœuds interconnectés, ou « neurones », qui traitent les données d'entrée de manière hiérarchique. Chaque neurone applique un calcul à son entrée et en transmet le résultat à la couche suivante. Dans le contexte de la prédiction de l'attrition, un réseau neuronal considérerait les données des clients comme une entrée qu'il traiterait à travers ses différentes couches pour aboutir à une probabilité d'attrition. Les réseaux neuronaux sont entraînés à partir de données dites d'apprentissage. Le poids des connexions entre les neurones est ainsi ajusté en fonction des modèles observés dans ces données, qui consistent en des résultats connus (par exemple, les clients qui se sont désabonnés et les autres). Cette approche permet au réseau de formuler des prédictions de plus en plus précises sur les données encore inconnues.

• Pertinence de cette technique
  Les réseaux neuronaux sont particulièrement utiles dans les scénarios où les schémas de données sont si complexes que d'autres modèles plus simples risqueraient de passer à côté. Les secteurs qui disposent d'un grand nombre de données sur les interactions avec les clients, tels que les télécommunications, les services de streaming et le commerce en ligne, peuvent tirer parti des réseaux neuronaux pour obtenir des informations approfondies sur le comportement des clients. Ces modèles excellent en présence d'interactions et de préférences client variées et nuancées, qui ne se traduisent pas par des résultats binaires.

• Avantages des réseaux neuronaux
  La force des réseaux neuronaux réside dans leur capacité à modéliser des relations complexes et non linéaires au sein d'ensembles de données. Leur capacité à identifier des schémas subtils dans de vastes ensembles de données peut conduire à des prédictions plus précises et plus nuancées de l'attrition des clients.

• Défis associés aux réseaux neuronaux
  L'un des principaux défis posés par les réseaux neuronaux est qu'ils s'apparentent à une « boîte noire ». En effet, il est souvent difficile d'interpréter exactement comment ou pourquoi un réseau neuronal est parvenu à une prédiction particulière, ce qui peut représenter un obstacle pour les entreprises en quête de transparence et d'informations exploitables. Généralement très gourmands en ressources, les réseaux neuronaux nécessitent par ailleurs une quantité substantielle de données pour être entraînés efficacement, rendant cette méthode plus contraignante que d'autres en matière d'expertise et de moyens nécessaires.

À retenir : contrairement aux modèles plus simples, les réseaux neuronaux sont capables de gérer la complexité et les nuances de comportement des clients. Ces réseaux sont particulièrement utiles dans les environnements riches en données où l'apprentissage de schémas subtils est essentiel pour prédire efficacement l'attrition de la clientèle. Malgré les défis qu'ils renferment, notamment en matière d'interprétabilité et de besoins en ressources, leur potentiel de précision et de nuance des prédictions les convertit en instruments précieux pour les entreprises qui cherchent à réduire l'attrition de leur clientèle.

Méthode d'ensemble

Puissants outils de modélisation prédictive, les méthodes d'ensemble sont particulièrement efficaces pour prédire l'attrition. Elles combinent plusieurs modèles prédictifs au profit d'une précision accrue qui les rend capables d'anticiper l'attrition de la clientèle.

• Fonctionnement des méthodes d'ensemble
  Les méthodes d'ensemble reposent sur le principe qu'un groupe de modèles combinés obtiendra de meilleurs résultats qu'un modèle isolé. Cette approche implique d'entraîner différents modèles sur les mêmes données, puis d'agréger leurs prédictions, généralement par le biais de techniques de bagging, de boosting ou de stacking. Dans le cadre de la prédiction de l'attrition, les méthodes d'ensemble peuvent impliquer la combinaison de différents types de modèles, comme les arbres de décision, les réseaux neuronaux et la régression logistique. Chacun de ces modèles prédit indépendamment l'attrition de la clientèle avant que ces prédictions ne soient combinées par des processus tels que le vote ou l'établissement d'une moyenne pour générer une prédiction finale plus précise.

• Pertinence de cette technique
  Les méthodes d'ensemble sont particulièrement utiles dans les scénarios où aucun modèle indépendant n'est capable de fournir des prédictions satisfaisantes ou en présence de données composites variées. Elles conviennent parfaitement aux secteurs d'activité associés à des comportements de clientèle complexes, tels que la finance, les télécommunications et l'e-commerce, dans lesquels la prédiction précise de l'attrition repose sur la prise en compte d'un large éventail d'interactions et d'habitudes de consommation.

• Avantages des méthodes d'ensemble
  Le principal avantage des méthodes d'ensemble est qu'elles permettent de gagner en précision et en exhaustivité par rapport aux modèles individuels. La combinaison de plusieurs forces permet en effet de limiter la propension au surapprentissage (génération de résultats trop « bruyants ») et aboutit généralement à un modèle plus adapté au traitement d'ensembles variés et complexes de données. Il en résulte des prédictions plus fiables et plus stables.

• Défis associés aux méthodes d'ensemble
  L'un des défis associés aux méthodes d'ensemble se retrouve dans leur sophistication accrue et dans leur coût de calcul. Ces méthodes requièrent en effet davantage de ressources et de temps pour l'apprentissage et le déploiement que les modèles uniques. À l'image des réseaux neuronaux, les méthodes d'ensemble peuvent être plus difficiles à interpréter, complexifiant l'identification des raisons spécifiques de l'origine d'une prédiction donnée.

À retenir : les méthodes d'ensemble sont une technique sophistiquée de prédiction de l'attrition, qui combine les forces de plusieurs modèles prédictifs pour gagner en précision. Elles conviennent particulièrement aux environnements de données complexes et aux entreprises qui ont besoin de disposer d'une stratégie globale pour faire face à l'attrition de la clientèle. Bien qu'elles soulèvent des défis en matière de complexité et de ressources nécessaires, leur capacité à fournir des prévisions plus précises et plus stables en fait une stratégie intéressante pour les entreprises qui cherchent à minimiser l'attrition de leur clientèle.

Intégration et gestion des données dans le cadre de la prédiction de l'attrition

Nous avons rassemblé ci-dessous les principales informations utiles concernant la mise à profit des données clients pour optimiser vos efforts de prédiction de l'attrition.

Importance de la collecte et de l'intégration de données de qualité

Tout modèle de prédiction de l'attrition repose sur les données qu'il utilise, et il est par conséquent essentiel que celles-ci soient aussi précises et exhaustives que possible. Cette exigence implique de rassembler de nombreuses informations et de s'assurer de la pertinence et de l'actualité des données en question. L'intégration, qui consiste à combiner des renseignements provenant de diverses sources en une base de données unique et cohérente, joue elle aussi un rôle majeur dans l'obtention d'une vision holistique des clients.

Exploration des sources de données

Diverses sources de données peuvent permettre de prédire l'attrition. En voici quelques exemples.

• Données transactionnelles
  Les données transactionnelles comprennent l'historique des achats, les moyens de paiement utilisés et les habitudes d'utilisation des produits ou des services. Elles permettent d'identifier directement le comportement et les préférences des clients.

• Interactions avec les clients
  La consignation des interactions avec le service client, des avis et des plaintes de la clientèle représente une source inestimable d'informations. Il s'agit d'une fenêtre ouverte sur la satisfaction des clients et sur les éventuels points de friction.

• Réseaux sociaux
  L'activité sur les réseaux sociaux est révélatrice du ressenti du public à l'égard de votre marque et de la manière dont il la perçoit. Elle peut également mettre en évidence les tendances et les attentes des clients.

Techniques de tri et de prétraitement des données

Une fois collectées, les données doivent être triées et prétraitées. Cette étape implique de supprimer les erreurs, les incohérences et les informations non pertinentes. Des techniques telles que la normalisation, la gestion des valeurs manquantes et la détection des valeurs aberrantes peuvent contribuer à ce processus décisif, qui permet de s'assurer de la qualité des données introduites dans le modèle prédictif.

Préservation de la confidentialité des données

La confidentialité des données constitue une préoccupation majeure et permanente. Les entreprises se doivent en effet de se conformer aux réglementations en matière de protection des données telles que le Règlement général sur la protection des données de l'Union européenne et de mettre en œuvre des mesures exhaustives de sécurité. Certaines pratiques, telles que l'anonymisation des informations sensibles et l'obtention d'un consentement explicite pour l'utilisation des données, contribuent à garantir la confidentialité tout en instaurant un climat de confiance avec la clientèle.

Défis associés à la prédiction de l'attrition

La prédiction de l'attrition est une entreprise à grande échelle qui peut poser un certain nombre de défis, dont voici certains exemples.

• Qualité et volume des données
  Les données utilisées pour la prédiction de l'attrition doivent être extrêmement qualitatives et en quantité suffisante. Des données de mauvaise qualité ou éparses présentent le risque de conduire à des prédictions inexactes.

• Difficulté de l'intégration des données
  La mise en commun de données provenant de différentes sources peut poser un problème de format et de structure, qui complique la fusion en un ensemble unifié prêt à être analysé.

• Évolutivité du comportement des clients
  Il peut être difficile de rester à jour face à des préférences et des comportements client susceptibles d'évoluer rapidement. Ce qui était vrai l'an dernier en matière de prédiction de l'attrition peut ne plus l'être aujourd'hui.

• Confidentialité et conformité réglementaire
  Le fait d'utiliser les données des clients à des fins de prédiction tout en respectant la confidentialité et en se conformant aux diverses lois sur la protection des données nécessite un équilibrage délicat entre ces diverses composantes.

• Identification des variables pertinentes
  L'identification des points de données pertinents pour prédire l'attrition peut nécessiter du temps.

• Précision du modèle et surapprentissage
  La construction d'un modèle qui prédit l'attrition avec précision sans ressortir « par cœur » les données d'apprentissage est une tâche complexe.

• Opérationnalisation des connaissances prédictives
  Un autre défi consiste à transformer les informations prédictives en stratégies exploitables. La prédiction de l'attrition n'est que la première étape et ce qui compte vraiment, c'est l'exploitation efficace de ces informations pour fidéliser les clients.

• Adaptation aux évolutions technologiques
  L'analyse des données est un domaine en constante évolution dans lequel il peut être difficile de rester à jour concernant les techniques et les théories du moment.

Marche à suivre pour élaborer une stratégie efficace de prédiction de l'attrition

Aucun modèle de prédiction de l'attrition ne peut être considéré comme une solution universelle adaptée à toutes les entreprises. Mais alors, comment choisir l'option et la stratégie qui reflètent les réalités et les nuances de votre activité ? Voici quelques pistes qui vous permettront d'aborder sereinement ce processus.

• Connaissance de votre entreprise et de vos clients
  Développez une connaissance approfondie de votre activité et de votre clientèle. Qu'est-ce qui incite cette dernière à rester et quels sont les éléments susceptibles de la faire fuir ?

• Choix des données à exploiter
  Identifiez les types de données les plus pertinents pour votre entreprise et pour l'analyse du comportement de vos clients. Elles peuvent inclure les historiques de transactions, les interactions avec votre service client ou l'activité sur les réseaux sociaux. Assurez-vous par ailleurs que ces données sont accessibles et exploitables.

• Implication de votre équipe
  Sollicitez l'avis de vos équipes (commerciale, d'assistance à la clientèle, informatique, etc.). Leurs observations peuvent vous aider à identifier différents aspects des interactions avec les clients et à déterminer la faisabilité technique.

• Sélection du modèle pertinent
  Il n'existe pas de modèle unique pour prédire l'attrition. Votre choix dépend de la nature de votre activité et du type de données dont vous disposez. Examinez attentivement vos options et déterminez celle qui convient le mieux à vos besoins.

• Préparation et tri des données
  Avant de pouvoir être utilisées, les données doivent être triées et organisées.

• Élaboration et test du modèle choisi
  Une fois vos données prêtes à être exploitées, mettez au point votre modèle prédictif. Testez-le méticuleusement pour vérifier sa précision et son efficacité.

• Mise à jour et ajustement réguliers de votre modèle
  Les comportements des clients et les conditions du marché évoluent au fil du temps. L'actualisation et l'ajustement réguliers de votre modèle en vue de garantir sa pertinence et son efficacité sont donc nécessaires.

• Mise à profit des résultats obtenus
  La dernière étape consiste à utiliser les informations fournies par votre modèle de prédiction de l'attrition pour élaborer des stratégies commerciales éclairées. Cela peut passer par l'adaptation de votre stratégie marketing, l'amélioration de votre service client ou l'application de modifications à votre produit.