🛒 Segmentateur de clients — Analyse RFM en direct

RFM signifie Récence (depuis quand le client a acheté récemment), Fréquence (à quelle fréquence il achète) et Montant (combien il dépense). Les équipes marketing l'utilisent car elle transforme l'historique brut des transactions en une empreinte compacte à trois chiffres par client, fortement corrélée à la probabilité d'achat future et à la valeur vie client, sans nécessiter de modèle d'apprentissage automatique entraîné. C'est l'une des techniques de segmentation client les plus anciennes et les plus utilisées en marketing direct et en e-commerce, appréciée car simple à calculer, facile à expliquer aux parties prenantes, et directement actionnable — chaque segment correspond à une action concrète de fidélisation ou de reconquête.

Pour chaque client simulé, le modèle conserve un véritable historique d'achats de transactions horodatées. La Récence est le nombre de jours simulés depuis le dernier achat de ce client. La Fréquence est le nombre d'achats survenus dans la fenêtre temporelle sélectionnée (30 à 365 jours). Le Montant est la somme totale dépensée dans cette même fenêtre. Ces trois chiffres bruts sont recalculés à chaque cycle directement à partir du flux d'événements d'achat en direct — ils ne sont pas préprogrammés, ils changent réellement à mesure que de nouveaux achats arrivent et que les anciens sortent de la fenêtre.

Un système à seuil fixe pourrait dire « plus de 5 achats équivaut à un score de fréquence de 5 », quel que soit le comportement du reste de la clientèle. Le scoring par quantiles trie plutôt l'ensemble de la population de clients en direct selon chaque métrique et la découpe en cinq groupes de taille égale (quintiles) aux valeurs de seuil que les données actuelles produisent réellement. Un client avec 3 achats pourrait obtenir un score de 5 lors d'un trimestre calme et de 2 lors d'un trimestre actif. Cette simulation effectue ce tri et ce calcul de seuils à partir de zéro à chaque mise à jour, de sorte que les points de coupure évoluent réellement avec la distribution réelle de la population plutôt que d'être des constantes codées en dur.

Chaque client reçoit un score R, F et M de 1 (pire quintile) à 5 (meilleur quintile), et une table de règles combine les trois en une étiquette de segment. Les Champions ont les meilleurs scores sur les trois axes — acheteurs récents, fréquents, à fortes dépenses. Les Clients fidèles obtiennent de bons scores en fréquence et montant avec une récence correcte. Les clients À risque achetaient auparavant fréquemment mais leur récence s'est fortement dégradée. Les Hibernants et Perdus obtiennent des scores faibles sur tous les plans. Les Nouveaux clients ont une excellente récence mais peu d'historique d'achat pour l'instant. La table de règles exacte est appliquée fraîchement aux scores en direct de chaque client à chaque cycle.

Deux choses changent à chaque cycle : les historiques individuels des clients gagnent de nouveaux événements d'achat (ou leur achat le plus récent recule davantage dans le passé), et les seuils de quantiles à l'échelle de la population évoluent car ils sont recalculés à partir des valeurs actuelles de chacun. Un client peut changer de segment soit parce que son propre comportement a changé (il vient d'acheter quelque chose, donc sa Récence s'est améliorée), soit parce que le comportement de tous les autres a déplacé les points de coupure autour de lui, même s'il n'a lui-même rien fait. Les deux effets sont des conséquences authentiques du scoring par quantiles en direct et relatif à la population.

L'analyse RFM ne prend en compte que l'historique transactionnel, elle ne peut donc pas voir les signaux d'intention comme le comportement de navigation, les tickets d'assistance ou les réponses à des enquêtes, et elle traite un achat important ponctuel de la même manière qu'une dépense régulière et répétée si les totaux correspondent. Elle suppose aussi que les schémas d'achat passés prédisent les futurs, ce qui ne fonctionne pas pour les produits très saisonniers ou à achat unique. Comme les scores sont relatifs à la population, le segment d'un client peut changer uniquement parce que le reste de la clientèle a changé, et non parce que ce client a fait quoi que ce soit de différent — une bizarrerie que cette simulation rend délibérément visible.