Les smartphones sont omniprésents dans notre quotidien. Ils consti- tuent une ressource informatique à portée de la main avec un accès direct à une quantité considérable d'informations personnelles. Ils représentent une source de données très précieuse pour les opérateurs de télécommunication, mais la nature très décentralisée de ces données et les attentes évidentes des clients en matière de respect de la vie privée requièrent de nouvelles approches en appren- tissage statistique. L'apprentissage ubiquitaire (ou ubiquitous datamining) qui intègre des terminaux avec la capacité de traiter localement leurs propres don- nées, est une alternative intéressante à la centralisation de masse en traitement de données. L'apprentissage fédératif, (ou federated learning) est une réalisation de l'ubiquitous datamining, qui permet de déployer certains modèles d'appren- tissage automatique sur des terminaux “autonomes” tels les smartphones. Cet ar- ticle propose une évaluation détaillée de ce type d'apprentissage distribué dans le cadre de la prédiction de l'attrition (ou churn) sur des données issues d'un opérateur télécom.