Le problème métier
Acquérir un nouveau client coûte 5 à 7 fois plus cher que d'en retenir un existant. C'est l'un des chiffres les plus répétés du marketing — et pourtant la plupart des retailers détectent le churn trop tard : quand le client a déjà disparu depuis 6 mois.
Sans modèle prédictif, le marketing CRM travaille avec deux outils :
- Des règles RFM statiques (« sans achat depuis X mois ») qui captent les clients déjà partis
- Des campagnes de rétention de masse envoyées à tout le monde, qui diluent le budget et agacent les clients fidèles
Résultat opérationnel :
- Le taux de re-conversion d'une campagne de rétention de masse est de 2-4 %
- Le budget de rétention est mal alloué : on dépense pour des clients déjà perdus, on ignore ceux qu'on aurait pu sauver
- Personne ne sait combien de clients ont vraiment été sauvés vs combien seraient revenus quoi qu'il arrive
Le sujet ne se résout pas avec plus de campagnes. Il se résout en agissant 30 à 90 jours plus tôt, sur les bons clients.
La solution
Un modèle qui identifie les clients à risque de churn avant qu'ils ne partent, pour déclencher des actions de rétention ciblées.
Concrètement, le modèle :
- Scanne votre base chaque semaine ou chaque mois
- Sort un score de probabilité de churn dans les 60-90 prochains jours pour chaque client
- Identifie les signaux faibles : changement de fréquence, baisse du panier, abandon d'une catégorie habituelle, baisse d'engagement email
- Permet de cibler les top 5-10 % de la base avec une offre personnalisée
Couplé à votre modèle CLV, il devient encore plus puissant : vous priorisez les clients à forte valeur ET à fort risque pour les actions de rétention premium, et vous laissez les clients à faible valeur décrocher naturellement (pas tout le monde n'est rentable à retenir).
Comment estimer votre ROI
Le ROI dépend de trois leviers que vous calculez chez vous.
Étape 1 — Identifier votre taux de churn et la LTV moyenne
| Métrique | Source |
|---|---|
| Taux de churn annuel (%) | (clients actifs N-1 ne reachetant pas en N) ÷ (clients actifs N-1) |
| LTV moyenne / client | Reporting CRM |
| Volume base active | Clients ayant acheté sur les 12 derniers mois |
Étape 2 — Calculer le potentiel de rétention
Clients sauvables/an =
(base active) × (taux churn) × (% détection précoce) × (taux re-conversion)
Exemple pour un retailer de 200 000 clients actifs, 25 % de churn annuel, LTV moyenne 350 € :
- Clients qui vont churner : 200 000 × 25 % = 50 000/an
- Détection précoce (top décile à risque scoré correctement) : 80 % d'entre eux = 40 000
- Taux de re-conversion d'un parcours de rétention bien ciblé : 12 %
- Clients sauvés : ~4 800/an
- Valeur récupérée : 4 800 × 350 € = 1.68 M€/an de LTV préservée
Étape 3 — Soustraire le coût des offres et de la mise en place
Coût des offres de rétention (réductions, gestes commerciaux) : variable selon votre politique commerciale, typiquement 20-40 € par client sauvé. Sur 4 800 clients = ~150 k€/an d'offres.
Net : ~1.5 M€/an de marge préservée dans cet exemple.
À calibrer sur votre propre taux de churn et votre LTV — ces deux variables ont un impact massif sur le calcul.
Phases de déploiement
| Phase | Durée | Livrable décisionnel |
|---|---|---|
| Cadrage | 1-2 sem | Définition du churn (fenêtre, périmètre clients), audit data CRM |
| V1 — Modèle baseline | 3-4 sem | Premier scoring sur la base, comparaison avec votre ciblage RFM actuel |
| V2 — Intégration CRM | 2-3 sem | Score injecté dans Salesforce / Klaviyo / Brevo, segments dynamiques |
| V3 — Pilote rétention | 4-6 sem | Test contrôlé : 50 % cibles modèle, 50 % cibles RFM. Mesure du gain de re-conversion |
| Roll-out | Continu | Scoring hebdomadaire, automatisation des campagnes de rétention |
Quelles entreprises sont concernées
- Retailers avec >50 k clients actifs et un churn annuel >15 %
- 18 mois minimum d'historique de transactions clients
- Entreprises avec une équipe CRM capable d'opérer des campagnes ciblées (pas juste de l'envoi de masse)
- Présence d'un outil d'emailing ou marketing automation où le score peut être injecté (Klaviyo, Salesforce Marketing Cloud, Brevo, ActiveCampaign, HubSpot)
Moins pertinent pour : retailers à transaction unique (matelas, équipement durable où le rebuy est rare), retailers avec base active <50 k (ROI marginal vs coût de mise en place).
Pièges à éviter
1. Mal définir ce qu'est un client churné. « Sans achat depuis 6 mois » n'a pas le même sens chez un retailer de produits de saison (mode) que chez un retailer de produits de fond (alimentaire spécialisé). La fenêtre de churn doit être calibrée sur la fréquence d'achat naturelle de votre catégorie, pas appliquée par défaut. Une mauvaise définition rend le modèle inutile dès la V1.
2. Optimiser l'accuracy plutôt que la précision sur le top décile. Beaucoup d'équipes data optimisent l'AUC global du modèle, qui peut paraître brillant (0.85+) tout en étant inutile en condition réelle. Ce qui compte, c'est la précision sur les 5-10 % de clients que le marketing va vraiment cibler. Un modèle à 0.80 d'AUC mais 50 % de précision sur le top décile bat un modèle à 0.88 d'AUC avec 30 % de précision. C'est une nuance technique que beaucoup de cabinets ne valident pas correctement.
3. Sous-estimer la dérive saisonnière. Le comportement client change avec les saisons, les soldes, les ruptures d'approvisionnement, les changements de catalogue. Un modèle de churn entraîné en été ne marche pas en novembre. Il faut soit ré-entraîner trimestriellement, soit intégrer la saisonnalité comme feature explicite. Sans gestion de cette dérive, le modèle perd 20-30 % de précision en 6 mois.
4. Cibler tout le monde une fois le modèle en place. Le piège de la sur-rétention : vous identifiez 5 000 clients à risque, vous leur envoyez tous une réduction de 20 %. Trois mois plus tard, le marketing s'aperçoit que la moitié serait revenue toute seule — et que vous avez érodé la marge sur les fidèles qui n'avaient besoin de rien. La parade : un test A/B avec groupe témoin pour mesurer le vrai impact incrémental de l'offre, pas juste le taux de re-conversion brut.
5. Croire que le modèle de churn remplace la qualité du parcours client. Si vos clients churnent parce que votre service après-vente est mauvais, votre catalogue n'évolue pas, ou vos prix décrochent vs la concurrence, aucun modèle ne sauvera la base. Le churn est un symptôme — le modèle aide à agir vite, pas à corriger les causes profondes. Beaucoup d'équipes utilisent le modèle pour masquer des problèmes structurels qu'il fallait résoudre en amont.