Le scoring prédictif est une méthode de modélisation statistique qui estime, pour chaque client ou prospect, la probabilité qu’un événement défini se produise dans une période donnée, à partir de l’historique de cas comparables.
Il relève de l’apprentissage supervisé. On constitue une base d’apprentissage : des individus observés à une date passée, décrits par leurs caractéristiques à cette date, et une variable cible qui indique si l’événement s’est produit ensuite. Un algorithme apprend la relation entre ces caractéristiques et la cible. Les méthodes vont de l’analyse de régression logistique aux arbres de décision et aux méthodes d’ensemble issues du machine learning. Le modèle est validé sur des données qu’il n’a pas vues, puis appliqué à la population actuelle.
Ses composantes sont la variable cible, la fenêtre d’observation, la fenêtre de prédiction, les variables explicatives, l’échantillon de validation et la restitution. Celle-ci prend la forme d’une probabilité ou d’un rang, souvent exprimé en déciles. Les événements les plus souvent modélisés sont l’achat d’un produit, avec le score d’appétence, la résiliation, avec le score d’attrition, et la réponse à une campagne.
Le scoring prédictif se distingue du scoring par règles, dont les pondérations sont fixées à dire d’expert. Il se distingue aussi de l’analyse prédictive, notion plus large qui couvre par exemple les prévisions de ventes sans noter des individus. On l’emploie lorsque la base clients est assez volumineuse et l’historique assez long pour observer l’événement en nombre suffisant : ciblage des campagnes, fidélisation, qualification commerciale.
Un score prédictif indique qui a le plus de chances d’agir. Il n’indique pas qui agira grâce à l’action marketing. Un client très bien noté peut acheter de toute façon : le solliciter coûte sans rien rapporter. Nous recommandons de mesurer l’effet du score par comparaison avec un groupe témoin non sollicité, tranche par tranche. Lorsque l’objectif est l’effet propre de l’action, il faut un modèle de gain incrémental, dit uplift, plus exigeant en données et en tests.
Une performance très élevée doit alerter plutôt que rassurer. Elle trahit souvent une variable qui contient déjà la réponse, ou un surapprentissage (overfitting).
Appliqué à des personnes, le scoring prédictif relève du profilage, défini à l’article 4 du RGPD. Selon la CNIL, une personne a en principe le droit de ne pas faire l’objet d’une décision entièrement automatisée qui produit des effets juridiques à son égard ou l’affecte de manière significative. Les exceptions visent le consentement explicite, la nécessité pour un contrat et les dispositions légales spécifiques. La personne peut alors demander une intervention humaine et contester la décision (CNIL, Profilage et décision entièrement automatisée, 2018). À notre avis, un simple ciblage publicitaire atteint rarement ce seuil. Une tarification ou un refus de service fondés sur le score peuvent l’atteindre.
Advalians vérifie vos données, puis mesure ce que chaque action produit réellement en ventes, celles qui n’apportent rien, et où déplacer votre budget.
Advalians, cabinet de conseil indépendant en marketing et communication, vous aide à clarifier vos choix et à décider.
Le scoring prédictif est la méthode, le score d’appétence l’une de ses applications. La méthode estime la probabilité de n’importe quel événement : achat, résiliation, réponse, impayé. Le score d’appétence applique cette méthode à un événement précis, l’achat d’un produit ou la souscription d’une offre.
En pratique, une entreprise construit plusieurs scores prédictifs, un par décision : un score d’appétence par famille de produits, un score d’attrition pour la fidélisation. Nommez chaque score par son événement et son horizon, pour éviter qu’une équipe utilise l’un à la place de l’autre.
Le facteur limitant est le nombre d’événements observés, pas le nombre de clients. Un fichier d’un million de clients avec cinquante résiliations par an ne suffit pas à modéliser la résiliation.
À titre indicatif, visez au moins quelques centaines de cas positifs sur la période d’apprentissage, et un historique couvrant au moins un cycle d’achat complet. Vérifiez aussi la profondeur des données : des variables datées, remplies de façon régulière, et un identifiant client stable. Si ces conditions manquent, commencez par un score par règles et organisez la collecte.
Évaluez-le sur des données récentes qu’il n’a pas vues, avec deux indicateurs complémentaires. L’aire sous la courbe ROC mesure la qualité du classement : 0,5 équivaut au hasard. Le lift par décile indique combien de fois le premier décile dépasse le taux moyen.
Complétez par un test réel. Sélectionnez une campagne selon le score, gardez un groupe témoin sélectionné comme d’habitude, et comparez le résultat par contact. Contrôlez enfin la calibration : les probabilités annoncées doivent correspondre aux fréquences observées.
C’est l’usage, pendant l’apprentissage, d’une information qui ne serait pas disponible au moment de la prédiction. Exemple : prédire une résiliation avec une variable « appel au service résiliation », enregistrée après la décision du client.
Le modèle paraît alors excellent en test et échoue en production. Pour l’éviter, datez chaque variable et figez une date d’observation. N’utilisez que des informations antérieures. Méfiez-vous d’une variable qui domine toutes les autres : examinez-la avant de livrer.
Lorsque les événements sont trop rares, l’historique trop court ou la décision trop simple pour justifier un modèle. Un score par règles se construit en quelques jours et s’explique en une phrase aux équipes commerciales.
Passez au modèle prédictif lorsque trois conditions sont réunies : un volume suffisant d’événements, une décision répétée à grande échelle, et une équipe capable de maintenir le modèle. Le scoring par règles reste aussi un bon point de comparaison : un modèle qui ne le dépasse pas nettement en test n’apporte pas assez.
Modèles, grilles et guides prêts à l’emploi pour vos projets marketing et communication.
Le marketing évolue à grande vitesse. Longtemps centré sur l’acte d’achat pur, le..
