Le taux de résiliation de la clientèle, également connu sous le nom d'attrition de la clientèle, désigne le pourcentage de clients qui cessent de faire affaire avec une entreprise sur une période donnée. Le taux de résiliation est un indicateur important qui a une incidence directe sur les revenus et la rentabilité. Les entreprises font le suivi des taux de résiliation pour évaluer leurs efforts de fidélisation de la clientèle et la façon dont elles maintiennent leurs relations avec les clients. Des taux de résiliation élevés peuvent indiquer que les clients sont insatisfaits d'un produit ou d'un service, tandis que des taux de résiliation faibles peuvent sous-entendre la fidélité et la satisfaction de la clientèle. Les taux moyens de résiliation de la clientèle varient d'un secteur à l'autre. En 2022, le taux médian de résiliation de la clientèle était de 13 % pour les entreprises privées de logiciels en tant que service (SaaS).

Pour comprendre la résiliation au sein de votre entreprise, vous devez savoir combien de clients vous fidélisez ou perdez sur une période donnée, et pourquoi vous les perdez. Les modèles de résiliation de la clientèle peuvent vous aider à élaborer une stratégie globale de fidélisation qui résout les problèmes sous-jacents à votre résiliation. Ci-dessous, nous aborderons ce que vous devez savoir sur les différents types de modèles de résiliation, la façon de choisir et de créer le bon modèle pour votre entreprise, et ce que vous devez faire des informations que vous en tirez.

Que contient cet article?

• Qu'est-ce qu'un modèle de prédiction de la résiliation?
  
• Pourquoi prédire la résiliation de la clientèle?
  
• Principaux facteurs prédictifs de la résiliation de la clientèle
  
• Les quatre types de résiliation de la clientèle
  
• Types de modèles de résiliation de la clientèle
  
• Comment créer un modèle de résiliation de la clientèle pour votre entreprise
  
• Comment utiliser l'analyse prédictive pour réduire la résiliation de la clientèle
  
• Principaux cas d'utilisation des modèles de prédiction de la résiliation
  
• Comment mesurer l'efficacité des modèles de résiliation de la clientèle
  
• Comment Stripe Billing peut vous aider
  
• FAQ sur la création d'un modèle de résiliation de la clientèle
  

Qu'est-ce qu'un modèle de prédiction de la résiliation?

Un modèle de prédiction de la résiliation est un outil basé sur les données qui estime la probabilité qu'un client individuel cesse de faire affaire avec une entreprise dans un délai défini. En utilisant les données historiques sur les clients qui sont partis et ceux qui sont restés, le modèle identifie des tendances et des facteurs de risque tels qu'une baisse de l'utilisation, des plaintes auprès du service d'assistance ou des problèmes de facturation, et les applique aux clients actuels pour signaler ceux qui présentent le plus grand risque de résiliation.

Contrairement à un taux de résiliation général, qui indique ce qui s'est déjà produit au niveau global, un modèle de prédiction de la résiliation se tourne vers l'avenir et attribue une note aux clients individuels, donnant ainsi aux entreprises l'occasion d'intervenir avant que ces clients ne partent. Ces modèles sont généralement conçus à l'aide d'algorithmes d'apprentissage automatique, tels que la régression logistique, les arbres de décision et l'amplification de gradient, entraînés sur des attributs de clients tels que les données démographiques, l'historique des achats, les niveaux d'engagement et les interactions avec les services.

Le résultat est généralement une probabilité de résiliation ou un indice de risque par client, que les entreprises peuvent utiliser pour hiérarchiser les efforts de fidélisation, cibler les segments à risque avec des offres personnalisées et allouer des ressources aux clients les plus susceptibles d'être retenus.

Pourquoi prédire la résiliation des clients?

Le taux de résiliation peut avoir une incidence majeure sur les revenus, la rentabilité et la réputation d'une entreprise. Voici l'incidence du taux de résiliation sur les activités de l'entreprise.

• Coûts d'acquisition de clients : En général, acquérir de nouveaux clients coûte plus cher que de conserver les clients existants. Un modèle fiable de prédiction de la résiliation aide à compenser ce coût en signalant rapidement les clients à risque. Ainsi, les entreprises peuvent orienter leurs dépenses de fidélisation là où elles sont le plus susceptibles d'être rentables, au lieu de couvrir de façon répétée le coût de nouvelles acquisitions.

• Perte de revenus : La perte de clients entraîne une perte directe de revenus, ce qui a une incidence immédiate sur la santé financière de l'entreprise. Pour les entreprises basées sur l'abonnement en particulier, cela se reflète rapidement dans le revenu récurrent mensuel (RRM) : chaque client qui résilie son abonnement entame cette base, et si la tendance se maintient sur un nombre suffisant de clients, l'entreprise peut se retrouver sans base de revenus stable pour se développer.

• Moins de clients à long terme : Les clients à long terme ont tendance à acheter plus au fil du temps et peuvent donc devenir moins coûteux à servir. Ils peuvent également acheter des produits ou des services à plus forte marge. Un taux de résiliation plus élevé signifie moins de ces clients à long terme et peut entraîner une baisse de la rentabilité.

• Réputation de la marque : Des taux de résiliation élevés peuvent être un signe d'insatisfaction de la clientèle, ce qui peut nuire à la réputation d'une entreprise. Les clients satisfaits sont plus susceptibles de recommander l'entreprise à d'autres, tandis que les clients insatisfaits peuvent partager leurs expériences négatives, dissuadant ainsi les clients potentiels.

• Croissance à long terme : Une croissance durable nécessite une clientèle stable. Prédire la résiliation avant qu'elle ne se produise donne aux entreprises l'occasion d'intervenir pendant qu'une relation client peut encore être sauvée, plutôt que de réagir seulement après que les revenus ont déjà été perdus. Des taux de résiliation élevés peuvent compromettre les stratégies de croissance à long terme, rendant difficile pour les entreprises de prendre de l'expansion ou d'investir dans de nouvelles occasions. C'est particulièrement vrai pour les entreprises qui tentent de se développer. Sans moyen d'anticiper et de réduire la résiliation, la croissance du nombre de nouveaux clients peut être compensée par la perte de clients existants, ce qui rend plus difficile le maintien d'une dynamique durable.

Principaux facteurs de prévision de l’attrition de la clientèle

Le niveau de satisfaction des clients à l’égard d'un produit ou d’un service est l’un des facteurs de prévision les plus simples de l’attrition de la clientèle. Les entreprises peuvent mesurer ce paramètre au moyen d’enquêtes, du taux de recommandation net et de mécanismes de retour d’information. Un taux de satisfaction constamment bas ou des retours négatifs peuvent être un indicateur fort quant à une possible attrition.

D’autres facteurs peuvent jouer un rôle dans la décision d’un client de mettre fin à sa relation avec une entreprise :

• Interactions avec le service à la clientèle : Bien que certains clients engagés puissent contacter le service d'assistance pour en maximiser la valeur, les demandes auprès du service d'assistance peuvent également indiquer des problèmes ou une insatisfaction. L'analyse de la nature et du résultat de ces interactions peut prédire la résiliation, en particulier si les problèmes ne sont pas résolus de façon satisfaisante.

• Utilisation du produit ou du service : La surveillance de la manière dont les clients utilisent un produit ou un service, et à quelle fréquence, peut offrir aux entreprises des informations sur les niveaux d'engagement des clients. Une utilisation faible ou en baisse peut signaler qu'un client perd de l'intérêt ou ne parvient pas à y trouver de la valeur, ce qui pourrait mener à la résiliation.

• Problèmes de facturation et de paiement : Les problèmes fréquents de facturation ou de paiement peuvent entraîner de la frustration chez les clients et la résiliation. Le suivi de ces incidents et de leurs résolutions peut révéler des signes avant-coureurs indiquant que les clients risquent de partir.

• Changements dans le comportement d'achat : Un changement soudain dans les habitudes d'achat d'un client, comme une diminution de la taille ou de la fréquence des commandes, peut signaler une insatisfaction ou un changement de besoins, ce qui pourrait mener à la résiliation.

• Commentaires et plaintes des clients : Les commentaires directs ou les plaintes sont des indicateurs importants d'une résiliation potentielle. Les clients qui prennent le temps d'exprimer leur insatisfaction ou leurs préoccupations pourraient envisager de partir si leurs problèmes ne sont pas résolus.

• Engagement envers les communications marketing : Une baisse de l'engagement des clients à l'égard des courriels, des infolettres, des promotions ou d'autres communications marketing peut indiquer une baisse d'intérêt ou de pertinence, ce qui pourrait précéder la résiliation.

• Facteurs liés au marché et à la concurrence : Les changements sur le marché et les actions des concurrents peuvent influencer la résiliation. Par exemple, si un concurrent lance un nouveau produit ou offre un service similaire à un prix inférieur, cela pourrait entraîner une augmentation de la résiliation.

• Renouvellements de contrats et d'abonnements : Pour les entreprises ayant un modèle basé sur des abonnements ou des contrats, une période de renouvellement à venir est un moment clé pour évaluer le risque de résiliation. Lorsque les clients évaluent s'ils doivent renouveler ou non, il y a un risque de résiliation.

• Facteurs démographiques et psychographiques : Parfois, des changements dans le profil démographique d'un client ou une évolution de ses valeurs et préférences peuvent prédire la résiliation. Par exemple, un changement de situation financière, un déménagement ou un changement de mode de vie peuvent influencer sa décision de continuer à utiliser un produit ou un service en particulier.

Les quatre types de résiliation des clients

Toutes les résiliations ne se produisent pas pour la même raison. Voici les types à connaître :

Attrition volontaire

Le client décide activement d'annuler ou de cesser d'utiliser un produit ou un service, souvent en raison d'une insatisfaction, de meilleures solutions de rechange ou de besoins non satisfaits. C'est le type de résiliation que de nombreux modèles de résiliation se concentrent à prédire, puisqu'il peut souvent être évité avec la bonne intervention.

Résiliation involontaire

Le client n'a pas l'intention de partir, mais son accès prend fin tout de même, généralement en raison d'échecs de paiement, de cartes de crédit expirées ou d'erreurs de facturation. On remédie souvent à ce type de situation par de meilleurs systèmes de relance de paiement et des avis de facturation plutôt que par des initiatives de fidélisation de la clientèle.

Résiliation délibérée

Un sous-ensemble de la résiliation volontaire où le client fait le choix conscient de partir parce que le produit ne correspond plus à ses besoins, à son budget ou à ses objectifs. Cela peut comprendre le passage à une offre moins chère chez un concurrent ou la décision que le service ne vaut pas le coût.

Résiliation circonstancielle

Également volontaire, mais motivée par des circonstances autres que l'insatisfaction directe du client, telles qu'un changement de situation de vie, des difficultés financières ou un déménagement. Ces clients peuvent avoir été satisfaits du produit, mais l'ont quitté pour des raisons non liées à sa qualité.

Types de modèles d’attrition de la clientèle

Les modèles d’attrition de la clientèle sont catégorisés selon différents critères, comme le type d’algorithme utilisé, la gestion du temps et le niveau de détail des prédictions. Vous trouverez ici une analyse détaillée des différents types de modèles d’attrition de la clientèle.

• Modèles prédictifs de résiliation : Ces modèles utilisent des données historiques pour prédire la probabilité qu'un client résilie son abonnement à l'avenir. Ils utilisent généralement des algorithmes d'apprentissage automatique pour cerner les tendances et les indicateurs de résiliation, présentés ci-dessous.

• Régression logistique : Il s'agit d'un modèle statistique qui estime la probabilité d'un résultat binaire (comme la résiliation ou non) en fonction d'une ou de plusieurs variables indépendantes. Elle est largement utilisée pour sa simplicité et son interprétabilité.

• Arbres de décision : Ces modèles utilisent un graphique arborescent de décisions et de leurs conséquences possibles. Ils sont faciles à interpréter, mais sont sujets au surajustement.

• Forêts aléatoires : Une méthode d'ensemble qui utilise plusieurs arbres de décision pour améliorer la précision prédictive et contrôler le surajustement. Les forêts aléatoires sont plus complètes qu'un seul arbre de décision et offrent souvent une grande précision.

• Machines à amplification de gradient (GBM) : Les GBM sont une technique d'ensemble qui construit des arbres de manière séquentielle, chaque nouvel arbre corrigeant les erreurs commises par les arbres précédemment entraînés. Les GBM, comme XGBoost et LightGBM, sont puissantes pour la prédiction de la résiliation, mais peuvent être complexes à ajuster.

• Réseaux neuronaux : Les réseaux neuronaux sont des modèles d'apprentissage en profondeur qui peuvent capturer des relations non linéaires complexes par le biais de couches de nœuds ou de « neurones ». Ils peuvent être très efficaces, en particulier avec de grands ensembles de données, mais sont plus difficiles à interpréter que des modèles plus simples.

• Modèles descriptifs de résiliation : Plutôt que de prédire la résiliation future, ces modèles donnent un aperçu du comportement de résiliation passé. Ils aident à cerner les tendances, les modèles et les raisons de la résiliation, souvent à l'aide de techniques de regroupement ou d'analyse en composantes principales.

• Modèles de résiliation en séries chronologiques : Ces modèles examinent comment les taux de résiliation évoluent au fil du temps. Ils peuvent être particulièrement utiles pour les entreprises qui présentent de fortes tendances saisonnières ou pour celles qui tentent d'évaluer l'incidence d'événements particuliers au fil du temps.

• Modèles basés sur des cohortes : Ces modèles analysent les taux de résiliation de différentes cohortes de clients. Une cohorte peut être définie par la date d'inscription des clients, le premier produit acheté ou tout autre événement important. Cela permet de déterminer si certaines cohortes sont plus sujettes à la résiliation que d'autres.

• Modèles d'analyse de survie : Également connus sous le nom de modèles du délai d'apparition d'un événement, ces modèles mesurent le temps qu'il faut pour qu'un événement (la résiliation) se produise. Ils sont particulièrement utiles pour prédire le moment de la résiliation d'un client.

• Modèles de résiliation en temps réel : Ces modèles génèrent des prédictions instantanées en fonction des interactions des utilisateurs en temps réel. Ils nécessitent une infrastructure de données solide et sont utilisés dans des scénarios où les entreprises peuvent prendre des mesures immédiates pour prévenir la résiliation.

• Modèles hybrides : Ces modèles combinent des éléments de différents types de modèles pour tirer parti de leurs forces et atténuer leurs faiblesses. Par exemple, un modèle hybride peut utiliser une combinaison d'un modèle prédictif pour la probabilité de résiliation et d'une analyse de survie pour le moment où elle survient.

Le choix du bon type de modèle dépend du contexte particulier de l’entreprise, de la nature de la relation avec le client, des données disponibles ainsi que du résultat recherché par l’effort de modélisation. Il est souvent utile d’expérimenter plusieurs modèles afin de déterminer celui qui fournit les renseignements les plus précis et les plus exploitables pour un cas d’utilisation particulier.

Comment élaborer un modèle de résiliation de la clientèle pour votre entreprise

La création d’un modèle d’attrition de la clientèle passe par plusieurs étapes, telles que l’analyse de votre définition de l’attrition, l’examen des données disponibles et la détermination du modèle le plus adapté à votre entreprise. Ce guide détaillé explique comment élaborer un modèle d’attrition correspondant aux besoins de votre entreprise.

• Définition de la résiliation : Différentes entreprises ont différentes définitions de la résiliation. Pour un service d'abonnement, la résiliation peut correspondre à l'annulation de l'abonnement par un client. Pour une plateforme de commerce en ligne, il peut s'agir d'un client qui n'a pas effectué d'achat au cours d'une certaine période.

• Collecte de données : Rassemblez des données historiques qui incluent à la fois les clients ayant résilié et ceux n'ayant pas résilié. Votre ensemble de données doit comprendre diverses caractéristiques telles que les données démographiques des clients, l'historique des transactions, les données d'utilisation du produit, les interactions avec le service à la clientèle et toute autre donnée pertinente pouvant influencer la résiliation.

• Préparation des données : Nettoyez les données (gérez les valeurs manquantes, supprimez les doublons, etc.) et transformez-les dans un format adapté à la modélisation. Cela pourrait inclure l'encodage de variables catégorielles, la normalisation de valeurs numériques ou la création de fenêtres temporelles pour les caractéristiques prédictives.

• Développement des caractéristiques : Développez des caractéristiques qui captent efficacement le comportement et les attributs de vos clients. Cela peut inclure l'agrégation de données transactionnelles en indicateurs significatifs, le calcul de la fréquence d'utilisation ou l'extraction d'autres attributs pertinents à partir de données brutes.

• Analyse exploratoire des données (AED) : Avant de créer votre modèle, effectuez une AED pour trouver les tendances dans vos données. Recherchez des corrélations entre les caractéristiques et la résiliation, identifiez les valeurs aberrantes et comprenez la distribution des variables clés.

• Sélection de l'algorithme : Choisissez un algorithme d'apprentissage automatique pour prédire la résiliation. La régression logistique, les arbres de décision, les forêts aléatoires, les machines d'amplification du gradient et les réseaux de neurones sont des choix courants. Le choix du modèle dépend de la taille de l'ensemble de données, de l'importance des caractéristiques et du besoin d'interprétabilité.

• Entraînement et tests : Divisez vos données en ensembles d'entraînement et de tests pour évaluer les performances de votre modèle. L'ensemble d'entraînement est utilisé pour entraîner le modèle, tandis que l'ensemble de tests sert à évaluer sa puissance prédictive sur des données non vues.

• Validation du modèle : Utilisez des indicateurs tels que l'exactitude, la précision, le rappel, le score F1 et l'aire sous la courbe ROC (AUC-ROC) pour évaluer les performances de votre modèle. Concentrez-vous sur les indicateurs qui ont une incidence sur vos objectifs commerciaux. Par exemple, si le coût des faux positifs est élevé, vous voudrez peut-être maximiser la précision.

• Ajustement du modèle : Ajustez les hyperparamètres du modèle pour en améliorer les performances. Envisagez d'utiliser des techniques telles que la recherche par grille, la recherche aléatoire ou l'optimisation bayésienne pour trouver l'ensemble optimal d'hyperparamètres.

• Analyse des caractéristiques : Découvrez quelles caractéristiques ont le plus d'influence dans la prédiction de la résiliation pour orienter vos stratégies de fidélisation des clients.

• Déploiement : Déployez le modèle dans un environnement de production où il peut fournir des prédictions continues. Cela pourrait impliquer l'intégration du modèle à vos systèmes commerciaux ou la configuration d'un traitement par lots pour évaluer périodiquement les clients.

Utilisation de l’analyse prédictive pour réduire l’attrition de la clientèle

Renseignements exploitables et stratégies d’intervention

• Utilisez les prédictions du modèle pour élaborer des stratégies de fidélisation ciblées. Par exemple, envisagez d'offrir aux clients que vous avez identifiés comme présentant un risque élevé de résiliation des promotions personnalisées, un service à la clientèle proactif ou d'autres mesures incitatives pour les fidéliser.

• Segmentez les clients à haut risque en fonction de leurs caractéristiques ou des raisons de leur résiliation potentielle et adaptez vos interventions en conséquence.

Suivi et boucle de rétroaction

• Surveillez le rendement du modèle de façon continue. Ajustez et réentraînez le modèle au besoin pour réagir à l'évolution des tendances dans le comportement des clients ou les activités de l'entreprise.

• Mettez en place des mécanismes de rétroaction pour recueillir les résultats de vos efforts de fidélisation et surveillez régulièrement l'efficacité de vos stratégies de fidélisation. Utilisez ces données pour affiner davantage le modèle prédictif et les stratégies d'intervention.

Collaboration et intégration organisationnelle

• Partagez les enseignements et les recommandations du processus d'analyse prédictive avec les services concernés pour créer une stratégie de fidélisation cohérente.

• Intégrez des informations fondées sur les données dans les processus de prise de décision afin de répondre de façon proactive aux besoins des clients et de réduire la résiliation.

Principaux cas d'usage des modèles de prédiction de la résiliation

La prédiction de la résiliation est utile dans presque tous les secteurs ayant des relations récurrentes ou répétées avec les clients, mais elle est particulièrement utile dans les secteurs où l'acquisition de clients est coûteuse ou dont les revenus dépendent d'un engagement continu.

Mesure de l’efficacité des modèles d’attrition de la clientèle

Il est important de mesurer l'efficacité de vos modèles de résiliation des clients pour vous assurer de ne pas prendre de décisions commerciales basées sur de fausses prédictions. Les indicateurs suivants peuvent vous aider à évaluer les performances de vos modèles de résiliation.

• Exactitude : Il s'agit du pourcentage de prédictions totales que le modèle a réussies. Bien que l'exactitude soit un point de départ, elle ne donne pas toujours une image complète, en particulier si le nombre de clients ayant résilié et de ceux n'ayant pas résilié est déséquilibré.

• Précision : Parmi les clients pour lesquels le modèle avait prédit une résiliation, combien ont réellement résilié? L'évaluation de cet indicateur est importante, car le coût des faux positifs (prédire la résiliation alors qu'elle ne se produit pas) peut être élevé.

• Rappel : Parmi tous les clients qui ont résilié, combien le modèle a-t-il identifiés correctement? Cela est important si vous souhaitez détecter autant de vrais cas de résiliation que possible, même si cela signifie de tolérer quelques faux positifs.

• Score F1 : Cet indicateur combine la précision et le rappel en un seul nombre pour obtenir une vue équilibrée.

• Aire sous la courbe ROC (AUC-ROC) : La courbe ROC trace le taux de vrais positifs par rapport au taux de faux positifs à divers paramètres de seuil. L'AUC mesure l'ensemble de la zone bidimensionnelle sous toute la courbe ROC. Un modèle ayant des prédictions parfaites a une AUC de 1,0, tandis qu'un modèle qui fait des suppositions aléatoires a une AUC de 0,5.

• Matrice de confusion : Il s'agit d'un tableau qui montre le nombre de vrais positifs, de faux positifs, de vrais négatifs et de faux négatifs. Elle vous aide à repérer les types d'erreurs que fait votre modèle.

• Lift (gain) : Cet indicateur démontre à quel point le modèle réussit mieux à prédire la résiliation par rapport à une supposition aléatoire. Un gain supérieur à 1 indique que le modèle est plus performant qu'une supposition aléatoire.

• Incidence commerciale : Le véritable test de l'efficacité du modèle est son incidence sur les indicateurs commerciaux. Êtes-vous en mesure de réduire les taux de résiliation en agissant sur la base des prédictions du modèle? Les stratégies de fidélisation des clients éclairées par les informations du modèle entraînent-elles une augmentation de la valeur à vie des clients (valeur à vie) ou une amélioration de la satisfaction de la clientèle? Pour évaluer l'incidence commerciale, vous pouvez mener des expériences contrôlées (comme des tests A/B) pour comparer les résultats avec et sans les interventions suggérées par le modèle de résiliation. L'observation de l'évolution des taux de résiliation, des scores de satisfaction de la clientèle et de la rentabilité au fil du temps vous aidera à déterminer la valeur réelle du modèle.

Comment Stripe Billing peut vous aider

Stripe Billing vous permet d’émettre des factures et de gérer vos clients comme vous le souhaitez, qu’il s’agisse d’une facturation récurrente simple, d’une facturation à l’utilisation ou de contrats négociés. Vous pouvez ainsi percevoir davantage de revenus, automatiser vos flux de gestion des revenus, et accepter les paiements dans le monde entier.

Stripe Billing peut vous aider à :

• Offrez une tarification flexible : Lancez-vous rapidement avec des modèles de tarification intégrés, hybrides et selon l'utilisation – y compris les frais fixes avec excédent, les crédits, et plus encore. La prise en charge des bons de réduction, des essais gratuits, des calculs au prorata et des modules complémentaires est intégrée.
  
• *Tester et ajuster la tarification : * répondre plus rapidement à la demande des utilisateurs avec des outils sans codage pour réajuster les tarifs basés sur l’utilisation, gérer les cohortes de tarification et informer les décisions de tarification avec une analyse granulaire de l’utilisation et des dépenses.
  
• *Aligner la tarification sur la valeur client : * mesurer et facturer en fonction des dimensions d’utilisation qui ont le plus d’impact, et définir la tarification de manière à refléter directement la valeur ajoutée pour les clients.
  
• Augmentez vos revenus et réduisez la résiliation : Améliorez la capture des revenus et réduisez la résiliation involontaire grâce à Smart Retries, propulsé par l'IA, et aux automatisations des flux de recouvrement. Les outils de recouvrement de Stripe ont aidé les utilisateurs à récupérer plus de 6,5 milliards de \$ de revenus en 2024.
  
• *Stimuler l’efficacité : * utiliser des solutions Stripe supplémentaires pour les taxes, les rapports sur le revenu et les données afin de consolider plusieurs systèmes de revenus en un seul. Intégrer facilement des logiciels tiers.
  

Découvrez-en plus sur Stripe Billing, ou lancez-vous dès aujourd’hui.

FAQ sur la création d'un modèle de résiliation des clients