Le score d’appétence est une note qui estime, pour chaque client ou prospect, la probabilité qu’il réalise une action commerciale précise, comme acheter un produit donné ou souscrire une offre, dans une période définie.
Il relève du scoring prédictif. Le principe consiste à observer, sur une période passée, des individus qui ont réalisé l’action visée et d’autres qui ne l’ont pas réalisée. Un modèle statistique identifie les caractéristiques qui les distinguent : produits détenus, ancienneté, récence et fréquence des achats, canaux utilisés, réactions aux messages. Le modèle est ensuite appliqué aux individus actuels pour estimer leur probabilité d’agir dans la période à venir. Les techniques vont de l’analyse de régression logistique, la plus classique, à des méthodes de machine learning plus complexes.
Un score d’appétence comprend une variable cible, qui définit l’action et sa période, des variables explicatives, un modèle et une restitution. La restitution prend la forme d’une probabilité ou d’un rang, souvent exprimé en déciles. On construit en général un score par produit ou par offre.
Il se distingue du score d’affinité, qui mesure un intérêt pour un univers sans prédire d’action précise. Il se distingue aussi du score d’attrition, qui applique la même méthode à un événement inverse : le départ du client. On l’emploie dans les entreprises qui disposent d’une large base de clients et de plusieurs offres, pour les ventes croisées, la montée en gamme et la sélection des destinataires des campagnes de marketing direct.
Un score d’appétence sert d’abord à décider jusqu’où descendre dans la base. Il classe les clients du plus probable au moins probable. L’entreprise choisit ensuite le nombre de contacts que son budget et sa pression commerciale autorisent. Les mêmes moyens se concentrent ainsi sur les individus les plus susceptibles de répondre.
Une limite est souvent oubliée. Un score d’appétence prédit qui va acheter, pas qui achètera grâce à la sollicitation. Une partie des clients du premier décile aurait acheté sans être contactée. Nous recommandons de mesurer l’effet propre de chaque campagne avec un groupe témoin. Lorsque les volumes le permettent, un modèle dit d’uplift, qui estime directement ce gain incrémental, répond mieux à la question posée.
Le projet associe un data scientist, qui construit le modèle, et l’équipe marketing, qui définit la cible et exploite le score dans les campagnes.
La mesure de référence est le gain par décile. On classe les individus de l’échantillon de validation selon leur score, puis on calcule la part des acheteurs réels captés par les premiers déciles. Un classement au hasard capte 10 % des acheteurs dans 10 % de la base. Un score utile en capte nettement plus. En campagne, l’indicateur se complète par le taux de transformation de chaque décile, comparé à la moyenne. Nous proposons de suivre aussi la répartition des scores d’un mois à l’autre : une dérive brutale signale un changement de clientèle ou un problème de données.
Le score d’appétence repose sur des données personnelles et sur un profilage au sens du RGPD. Selon la CNIL (page sur le profilage et la décision entièrement automatisée, 2018), une décision fondée exclusivement sur un traitement automatisé, qui produit des effets juridiques ou affecte la personne de manière significative, relève d’un régime spécifique, avec un droit à une intervention humaine. À notre sens, un score qui sert à choisir les destinataires d’un message relève rarement de ce cas. Un score qui conditionne un prix ou l’accès à une offre mérite en revanche un examen juridique. L’article 21 du RGPD permet par ailleurs à la personne de s’opposer à tout moment au profilage lié à la prospection. Le considérant 70 précise que ce droit s’exerce sans frais.
En mode projet, Advalians analyse vos pratiques de ciblage, coordonne vos ressources internes et externes et assure le suivi avec un reporting régulier.
Advalians, cabinet de conseil indépendant en marketing et communication, vous aide à clarifier vos choix et à décider.
Les deux reposent sur la même méthode, mais visent des événements opposés. Le score d’appétence estime la probabilité qu’un client réalise une action souhaitée, comme acheter un produit ou souscrire une offre. Le score d’attrition estime la probabilité qu’il parte, en résiliant un contrat ou en cessant d’acheter. Ce départ est aussi désigné par le terme churn.
Pilotez-les ensemble. Un client à forte appétence et à fort risque de départ appelle d’abord une action de fidélisation, avant toute offre de vente. Croisez les deux scores avant de constituer la cible d’une campagne.
Choisissez un seul produit, dont les ventes sont assez nombreuses pour fournir des exemples d’acheteurs. Définissez la cible, par exemple un achat dans les trois mois suivant une date d’observation. Rassemblez quelques variables simples, calculées avant cette date : ancienneté, produits détenus, récence et fréquence des achats, canal habituel.
Construisez une régression logistique et validez-la sur un échantillon mis de côté. Testez-la ensuite en campagne, avec un groupe témoin. Si le gain se confirme, étendez la méthode à d’autres produits, un par un.
Mesurez la part des acheteurs réels captés par les premiers déciles du score, sur un échantillon que le modèle n’a pas vu. Un classement au hasard capte 10 % des acheteurs dans 10 % de la base : votre score doit faire nettement mieux.
Confirmez ensuite en campagne. Comparez le taux de transformation des clients contactés à celui d’un groupe témoin de même score, non contacté. L’écart mesure l’effet réel de la sollicitation. Sans groupe témoin, vous mesurez la qualité de la prédiction, pas la rentabilité de l’action.
Parce qu’il prédit l’achat, pas l’effet de la sollicitation. Les clients les mieux classés peuvent être ceux qui auraient acheté de toute façon. La campagne leur accorde alors une remise ou un coût de contact inutiles.
Deux autres causes reviennent : la sollicitation répétée des mêmes clients, campagne après campagne, et une information postérieure à la date d’observation restée dans le modèle, qui gonfle la performance en validation. Prévoyez un groupe témoin par décile et une règle de pression commerciale, par exemple un nombre maximal de sollicitations par client et par mois.
Lorsque la base est petite, lorsque les achats sont trop rares pour fournir des exemples ou lorsque vous contactez de toute façon tous vos clients. Le classement ne change alors aucune décision.
Il ne se justifie pas non plus si les données ne sont pas tenues à jour, ou si personne n’est chargé d’exploiter le score dans les campagnes. Avant de lancer le projet, estimez le gain attendu : écart de transformation espéré entre les premiers déciles et la moyenne, multiplié par la marge unitaire et le volume de contacts. Comparez-le au coût du projet.
