Le score prédictif existe dans tous les métiers et secteurs. En CRM, il sert à  identifier les individus d’une base qui ont le plus de chances de réaliser une action précise. La technique est séduisante, mais elle a ses défauts.

Le principe d’un score prédictif

Un score prédictif a pour but de prévoir qui, parmi les clients en base, a le plus de chance d’acheter, de transformer, de cliquer, de résilier etc… Pour cela, le modèle statistique regarde dans le passé quels étaient les indices précurseurs de l’action étudiée, et en déduit des corrélations. Dans le secteur des télécommunications par exemple, un des indices précurseurs de la résiliation peut être le passage d’un forfait élevé à un tout petit. Un score est efficace quand il fait beaucoup mieux qu’un simple ciblage aléatoire. Voici un schéma explicatif.

En ligne, le pourcentage de membres de la base ciblés. En colonne, le pourcentage de membres réalisant l’action qu’on attend. Par essence, un ciblage aléatoire aura une performance linéaire, c’est-à-dire qu’il ciblera dans les mêmes proportions les membres en base et les répondants. Un score prédictif poursuit l’objectif d’identifier les fameux 20% de membres qui réaliseront 80% d’actions recherchées. Plus le score est performant, plus le nombre de personnes à cibler est faible pour atteindre la majorité des répondants.

Chaque contact en base se voit attribué une note (d’où le nom de score) reflétant la probabilité qu’il réalise l’action voulue. Généralement, le score va de 1 à  10, on parle alors de 1er décile, 2nd décile, etc…

Quand utiliser le scoring prédictif ?

Certaines actions coûtent cher : soit parce que le moyen de communication est onéreux (appels sortants, courriers), soit parce que l’offre ou la promo est très agressive et entraîne des risques de cannibalisation du chiffre d’affaires, ou encore parce qu’on considère qu’on ne peut pas proposer deux offres pertinentes mais concurrentes à peu de temps d’intervalle.

Avec un score, le retour sur investissement est optimisé puisqu’on peut cibler en fonction d’une espérance de gain minimale.

Les inconvénients d’un score prédictif

Le score ne fonctionne que si le futur ressemble au passé : si le comportement des clients ou le marché change, le score ne saura pas en tenir compte. D’où le besoin, encore et toujours, de réfléchir à sa campagne et ne pas se fier qu’aux outils.

• Le score a besoin d’historique : en début d’activité, un score n’est d’aucune aide. Si l’offre n’a pas déjà été lancée et communiquée, le score n’a aucune donnée sur laquelle travailler. Ce modèle ne fonctionne que sur des événements déjà largement observés, et forme le dernier étage de l’optimisation de la performance.
• Le score a besoin de volumes : comme tout modèle statistique, le volume pour atteindre des résultants convaincants est généralement assez élevé. Comptez des milliers d’événements

Comment produire des scores prédictifs ?

C’est simple :

• Vous avez un Dataminer (ou Data Scientist pour faire plus moderne) sous la main et il utilise SAS, SPSS Modeler ou un autre outil statistique de ce genre.
• Vous achetez un moteur “prêt-à-l’emploi” tel que KXEN (formation à  prévoir tout de même), ou votre outil de gestion de campagnes en inclut un
• Vous vous adressez à la kyrielle de sociétés proposant des prestations Datamining, qui vous feront au forfait un modèle prédictif (comptez quelques dizaines de milliers d’euros), et vous n’aurez plus qu’à demander régulièrement une mise à jour de votre base avec le score.