Tables scores

Anticiper le comportement de vos clients plutôt que d'y réagir simplement est un levier décisif pour maximiser la valeur vie client (Customer Lifetime Value). Avec l'add-on de scoring, Actito met à votre disposition des indicateurs prédictifs calculés par machine learning et directement intégrés à votre modèle de données.

En calculant des indicateurs tels que le risque de churn, la fréquence d'achat anticipée ou le chiffre d'affaires prévisionnel, cet add-on vous permet d'anticiper les intentions de vos profils, de personnaliser vos offres et de déclencher des parcours automatisés de rétention ou VIP au moment le plus opportun.

Activation de l'add-on

L'add-on de scoring nécessite une configuration sur votre licence. Pour activer cette fonctionnalité, veuillez prendre contact avec votre gestionnaire de compte.

Vue d'ensemble

Lorsque l'add-on est activé sur votre licence, une nouvelle table dédiée "Scores" est automatiquement générée et rattachée à votre table de profils.

Afin de garantir simplicité d'usage et intégrité des données, la table Scores fonctionne selon une structure entièrement automatisée :

• Table native en lecture seule (Read-only) : la table Scores ne peut pas être modifiée depuis l'interface et est exclusivement réservée à l'hébergement des scores calculés par le système.
• Relation 1-à-1 : chaque profil de votre table de profils est lié à une seule et unique ligne dans la table Scores, regroupant ses indicateurs prédictifs les plus récents.
• Mise à jour quotidienne automatisée : dès que la récupération des données est activée sur votre licence, la table est recalculée et rafraîchie chaque jour avec les dernières prédictions.
• Aucun paramétrage technique requis : aucun algorithme à concevoir, mapper ou entraîner. Votre seule intervention consiste à sélectionner les attributs prédictifs que vous souhaitez suivre parmi la liste d'attributs disponibles.

remarque

Le moteur prédictif analyse vos données en continu. Un historique minimum de 120 jours de données d'achat et d'interaction est nécessaire pour entraîner l'algorithme et produire des scores fiables.

Attributs prédictifs disponibles

Selon vos objectifs et votre stratégie marketing, vous sélectionnez les indicateurs que vous souhaitez intégrer à votre table Scores.

Chaque indicateur est disponible sous deux formats :

• Attributs en valeur absolue : ils fournissent une valeur brute (montant monétaire, nombre de commandes, décompte de jours ou probabilité). Utilisez-les pour filtrer sur des seuils précis (par exemple : cibler les profils dont la valeur historique est supérieure à 500 €).

• Attributs en pourcentage : ils classent chaque profil sur une échelle de 0 à 100 par rapport à l'ensemble de votre table de profils. Ils sont idéaux pour cibler une tranche relative de votre audience (par exemple : les 10 % des profils ayant la plus forte valeur historique) sans définir de montant fixe. Une valeur de 90 indique que le profil se situe dans le top 10 %.

Interprétation des pourcentages

Sur les pourcentages, une note élevée reflète toujours un comportement client positif. Pour les métriques où un chiffre brut faible est préférable (récence, délai entre deux achats, score d'inactivité, risque de churn), l'échelle est automatiquement inversée : un score de pourcentage proche de 100 correspondra toujours au profil le plus vertueux ou le plus engagé.

Attributs en valeur absolue

• Probabilité de réachat (Repurchase probability) : estime la probabilité (de 0 à 100 %) qu'un profil passe une nouvelle commande à l'avenir. C'est l'inverse du churn, mais ce dernier peut être calculé à partir de la probabilité de réachat via la formule suivante : CHurn = 100 - "probabilité de réachat".
  • Cet attribut est une prédiction du modèle IA basée sur le nombre de commandes (fréquence), le nombre de jours écoulés depuis la dernière commande (récence), le nombre de jours écoulés depuis la première commande (durée), la "durée moyenne entre deux commandes" propre à chaque client et le taux d’abandon de la boutique (qui est une valeur interne prédite par le modèle, spécifique à chaque boutique et représentant la capacité à fidéliser les clients) . Par exemple : si un cliente a une probabilité de réachat de 75 %, son risque de désabonnement est de 25 %.
• Risque de churn (Churn risk) : l'inverse de la probabilité de réachat qui indique le risque d'attrition ou d'abandon du profil.
• Valeur historique des 365 derniers jours (Historic value last 365 days) : cumul du chiffre d'affaires généré par les commandes du profil au cours des 365 derniers jours.
• Valeur historique totale (Historic value all time) : cumul total du chiffre d'affaires généré par le profil.
• Valeur future prédite sur 365 jours (Predicted future value next 365 days) : prévision du chiffre d'affaires généré par le profil pour les 12 prochains mois.
• Valeur vie client prédite (Predicted Customer Lifetime Value - CLV) : somme de la valeur historique et de la valeur future prédite sur les 365 prochains jours.
• Nombre de commandes prédit sur 365 jours (Predicted number of orders next 365 days) : prévision établie par le modèle d'IA qui indique le nombre de fois où un profil passera une commande au cours des 365 prochains jours. Elle est calculée à partir de la fréquence d'achat du profil et du score d'activité prévu.
• Jours depuis la première commande (Days since first order) : nombre de jours écoulés depuis le tout premier achat du profil.
• Jours depuis la dernière commande (= récence) (Days since last order) : nombre de jours écoulés depuis le dernier achat du profil.
• Nombre de commandes (= fréquence) (Number of orders) : nombre total de commandes passées (les achats multiples réalisés le même jour sont consolidés en une seule commande).
• Panier moyen (= valeur monétaire) (Average order value) : valeur moyenne du panier (les articles achetés le même jour sont regroupés en une seule commande), obtenue en divisant la valeur historique totale par le nombre de commandes.
• Délai moyen entre les commandes (Average days between orders) : nombre de jours entre la première et la dernière commande, divisé par le nombre d'achats moins un. Par exemple : 3 commandes en 100 jours (première commande le jour 0, dernière commande le jour 100) correspondent à un intervalle moyen de 50 jours entre deux commandes.
• Score d'inactivité (Inactivity score) : nombre de jours écoulés depuis la dernière commande divisé par l'intervalle moyen habituel d'achat de ce profil (nécessite au moins 2 commandes). Le jour où un profil passe une commande, ce score sera de 0. Tant qu'il n'aura pas effectué de nouvel achat et n'aura pas atteint sa moyenne d'achat personnelle, le score d'inactivité se situera entre 0 et 100. Si le profil dépasse sa moyenne d'achat personnelle, ce chiffre sera supérieur à 100. Par exemple : si un profil passe une commande tous les 10 jours en moyenne, mais qu'aujourd'hui, cela fait 15 jours qu'il n'a pas passé de commande, le score d'inactivité sera de 150.

Attributs en pourcentage

Chaque attribut de pourcentage correspond à un classement de 0 à 100 du profil par rapport au reste de la table de profils pour l'attribut absolu correspondant (où 0 est le fond de la distribution et 100 est le plus haut). Le libellé de chaque attribut vous indique ce que signifie "plus élevé" (pas besoin donc de se rappeler si un chiffre brut élevé est bon ou mauvais pour cet indicateur). Les pourcentages relatifs à la récence, au délai entre deux commandes, à l’inactivité et au risque de désabonnement inversent leur valeur d’origine, de sorte qu’un chiffre plus élevé signifie toujours un meilleur comportement du profil.

• Probabilité de réachat, pourcentage (Repurchase probability, percentile) : classe les profils de 0 à 100 selon leur probabilité à recommander. Plus le score est haut, plus le profil est susceptible de commander à nouveau(100 = profil le plus fidèle, 0 = profil le moins engagé).
• Valeur historique des 365 derniers jours, pourcentage (Historical value last 365 days, percentile) : classe les profils de 0 à 100 selon leurs dépenses sur l'année écoulée. Un score plus élevé signifie que ce profil a dépensé davantage que la plupart des autres (100 correspond à la personne ayant le plus dépensé au cours des 365 derniers jours).
• Valeur historique totale, pourcentage (Historical value all time, percentile) : classe les profils de 0 à 100 selon leur chiffre d'affaires cumulé global (100 = votre plus profil aus dépenses les plus élevées à ce jour).
• Valeur future prédite sur 365 jours, pourcentage (Predicted future value next 365 days, percentile) : classe les profils de 0 à 100 en fonction du montant que le modèle IA prévoit qu'un profil dépensera au cours de l'année à venir. Un score élevé indique que le profil devrait dépenser davantage que la plupart des autres.
• Valeur vie client prédite, pourcentage (Predicted customer lifetime value, percentile) : classe les profils de à 100 selon sa valeur totale estimée (dépenses passées + dépenses prévues pour l'année à venir). Un score élevé indique que ce profil a le plus de valeur dans votre table de donnée.
• Nombre de commandes prédit sur 365 jours, pourcentage (Predicted number of orders next 365 days, percentile) : classe les profils de 0 à 100 selon le nombre de commandes que le modèle IA prévoit qu'il passera au cours de l'année à venir. Un score élevé indique que le profil devrait passer commande plus souvent que la plupart des autres.
• Jours depuis le premier achat (ancienneté du client), pourcentage (Days since first order (customer age), percentile) :* classe les profils de 0 à 100 selon leur fidélité temporelle. Un score élevé indique que le profil est chez vous depuis plus longtemps (100 correspond à l'un de vos profils les plus anciens, 0 à un tout nouveau profil).
• Jours depuis le dernier achat, pourcentage (Days since last order (recency), percentile) : classe les profils de 0 à 100 selon la date de sa dernière commande. Un score plus élevé indique que le profil a passé commande plus récemment. Ce pourcentage inverse la métrique brute, car un nombre de jours plus faible depuis la dernière commande correspond à un meilleur résultat.
• Nombre de commandes (fréquence d'achats), pourcentage (Number of orders (order frequency), percentile) : classe les profils de 0 à 100 selon le nombre total de commandes passées. Un score élevé indique que le profil a commandé plus souvent que la plupart des autres.
• Panier moyen, pourcentage (Average order value, percentile) : classe les profils de 0 à 100 selon le montant moyen de leur panier. Un score élevé indique que le profil dépense généralement plus par commande que la plupart des autres.
• Délai moyen entre commandes, pourcentage (Average days between orders (purchase frequency), percentile) : classe les profils de 0 à 100 selon la fréquence de leurs achats. Un score élevé signifie que le profil achète plus fréquemment. Ce pourcentage inverse la métrique brute, car un écart plus court entre les commandes est un meilleur résultat.
• Score d'inactivité (récence d'activité), pourcentage (Inactivity score (activity recency), percentile) : classe les profils de 0 à 100 selon leur niveau d’activité par rapport à leur propre rythme d’achat. Un score plus élevé signifie que le profil se situe bien dans les limites de son cycle d’achat habituel, voire en avance sur celui-ci. Ce pourcentage inverse la métrique brute, car un score d’inactivité plus faible est un meilleur résultat.
• Risque de churn (rétention), pourcentage (Churn risk (retention), percentile) : classe les profils de 0 à 100 selon leur probabilité de rester fidèle. Un score élevé signifie que le profil est moins susceptible de se désabonner. Ce pourcentage inverse la mesure brute, car un risque de désabonnement plus faible est le meilleur résultat.

Historique de données minimum

L'algorithme requiert minimum 120 jours d'historique de données d'achat pour calibrer ses prédictions et calculer des scores cohérents. Pour les contacts récents ou inactifs ne disposant pas d'un volume suffisant, des indicateurs par défaut s'appliquent jusqu'à ce que les données d'interactions adéquates soient accumulées.

Intégrer les scores dans votre stratégie marketing

Exploitez vos scores prédictifs quotidiens dans vos ciblages et vos scénarios :

• Sécuriser vos revenus VIP : combinez une forte valeur vie client (Predicted CLV) avec un risque de churn en hausse (Churn risk) pour déclencher une action de fidélisation avant la perte du contact.
• Réactivation au moment optimal : ciblez les profils dont le score d'inactivité (Inactivity score) dépasse 100 pour les solliciter au moment exact où ils s'écartent de leur fréquence d'achat habituelle.
• Préserver vos marges commerciales : excluez des campagnes promotionnelles génériques les profils présentant une forte probabilité de réachat et qui sont déjà susceptibles d’acheter de manière spontanée.