Le problème métier
Les retailers envoient des dizaines de millions d'emails par an. La plupart utilisent des outils de ciblage SaaS (Tinyclues, Releevant, Movable Ink, Bloomreach) ou des règles statiques basées sur la segmentation RFM. Les résultats convergent vers les mêmes plafonds :
- Taux de clic moyen e-commerce : ~2 % (souvent 1.3-1.8 % en réalité)
- Sur-sollicitation des clients qui n'ouvrent jamais → augmentation des désabonnements et des plaintes spam
- Coût de licence SaaS de ciblage : 50 à 150 k€/an pour un retailer mid-market
- Boîte noire : difficile de savoir pourquoi un client est ciblé ou pas
Selon les benchmarks 2026 (Klaviyo, DMA France), un taux de clic supérieur à 2 % indique que le contenu de l'email pousse réellement à l'action. La grande majorité des retailers est en dessous. Le problème n'est pas l'email — c'est qui le reçoit.
La solution
Un modèle qui prédit, pour chaque client et chaque campagne, sa probabilité de cliquer dans les 7 jours.
Concrètement, le marketeur ne change pas son geste : il prépare ses campagnes comme avant. La différence, c'est qu'au moment de choisir la cible, il peut filtrer sur « top 10 % de probabilité de clic » au lieu de « tous les clients de la catégorie X ».
L'effet combiné :
- Le taux de clic global augmente mécaniquement (concentration sur les plus engagés)
- La pression marketing baisse sur les clients qui n'ouvrent jamais — moins de désabonnements
- La délivrabilité s'améliore dans le temps (les FAI voient un meilleur engagement, le sender reputation monte)
- Vous arrêtez de payer une licence SaaS dont la logique reste opaque
Le modèle se décline ensuite : un modèle dédié pour la cible Femme, un pour les nouveaux clients, un pour les dormants. C'est ce que les SaaS du marché ne permettent pas finement.
Comment estimer votre ROI
C'est la partie qui vous concerne directement. La formule est simple :
Impact net annuel =
(économie sur licence SaaS de ciblage)
+ (volume emails × gain taux de clic × revenu marge / clic)
− coût de la mise en place
Étape 1 — Estimer votre volume
| Métrique | Comment l'obtenir |
|---|---|
| Volume emails envoyés / an | Reporting de votre outil emailing |
| Taux de clic moyen actuel | Idem |
| Revenu marge / clic | (Revenu attribué emailing) ÷ (nb total clics) |
Étape 2 — Calibrer le gain attendu
Sur les missions documentées et les benchmarks marché, le gain typique de taux de clic après déploiement d'un modèle de propension est de +0.1 à +0.3 points (par exemple 1.3 % → 1.5 %). C'est faible en absolu, énorme en relatif sur des volumes massifs.
Étape 3 — Calculer trois scénarios
Exemple pour un retailer 30 M emails/an, taux clic actuel 1.3 %, revenu marge 0.50 €/clic :
- Scénario conservateur (+0.1 pt) :
30 M × 0.001 × 0.50 = 15 k€/ande marge incrémentale - Scénario médian (+0.2 pt) :
30 M × 0.002 × 0.50 = 30 k€/an - Scénario optimiste (+0.3 pt) :
30 M × 0.003 × 0.50 = 45 k€/an
Étape 4 — Ajouter l'économie licence
Si vous remplacez Tinyclues, Releevant, Movable Ink ou un autre outil SaaS de ciblage : 50 à 150 k€/an d'économie nette récurrente, à ajouter aux scénarios ci-dessus.
Étape 5 — Soustraire le coût
Mise en place : workshop découverte pour cadrer le périmètre, puis 4-8 semaines de développement et d'intégration. Si l'économie licence + la marge incrémentale dépassent le coût de mise en place sur 12 mois, c'est un go.
Phases de déploiement
| Phase | Durée | Livrable décisionnel |
|---|---|---|
| Cadrage | 1-2 sem | Audit data CRM, validation que l'historique permet de modéliser, chiffrage |
| V1 — Modèle baseline | 3-4 sem | Modèle entraîné, premier scoring sur la base existante, comparaison avec votre ciblage actuel |
| V2 — Intégration | 3-4 sem | Score injecté dans votre outil emailing, segments dynamiques disponibles pour le marketing |
| V3 — Pilote A/B | 4-6 sem | Test contrôlé : 50 % campagne classique, 50 % ciblage modèle. Mesure du gain réel sur votre base. |
| Roll-out | Continu | Bascule progressive de toutes les campagnes, puis modèles dédiés par segment |
Quelles entreprises sont concernées
Ce cas d'usage est pertinent dès que :
- Vous envoyez >5 M d'emails/an avec un volume régulier
- Vous avez au moins 12 mois d'historique de campagnes (avec données de clic)
- Vous avez un coût SaaS de ciblage à remplacer OU une marge / clic mesurable
- Votre équipe marketing est prête à filtrer ses envois (vs envoyer à tous)
En dessous de 5 M emails/an ou avec moins de 6 mois d'historique, un simple ciblage RFM dynamique donne 80 % du résultat pour 20 % de l'effort.
Pièges à éviter
1. Confondre prédiction de clic et prédiction d'achat. Un client peut cliquer sans acheter. Si votre objectif business est le revenu, il faut soit un second modèle dédié à la propension d'achat, soit un score combiné qui pondère clic et conversion. Beaucoup d'équipes optimisent le mauvais indicateur et déçoivent leur direction commerciale au bout de 6 mois.
2. Sous-estimer la dérive du modèle dans le temps. Un changement majeur de catalogue (refonte de collection), une nouvelle campagne d'acquisition ou un changement de comportement client (ex : sortie de Covid) peuvent invalider le modèle en 2-3 mois. Sans monitoring rigoureux et ré-entraînement trimestriel, le modèle tourne sur des données obsolètes et finit par sous-performer le ciblage RFM classique. Ce coût d'opération est systématiquement sous-estimé en phase de cadrage.
3. Choisir une approche par réseau de neurones là où un modèle plus simple suffit. Sur ce type de problème (prédiction binaire à partir de features tabulaires CRM), les algorithmes de type gradient boosting battent largement les réseaux de neurones, à coût d'entraînement et d'explicabilité bien moindres. Beaucoup de cabinets surdimensionnent la stack pour facturer plus — c'est rarement nécessaire et ça complique la maintenance.
4. Filtrer les non-cliqueurs en permanence. Si vous ciblez toujours les top scorers, vous saturez les bons clients et vous oubliez les autres. La parade : combiner le score avec un quota de fatigue (nombre d'envois sur 30 jours) et garder un parcours de réactivation pour les low-scorers. C'est ce qui fait la différence entre un modèle qui réduit la pression globale et un modèle qui la concentre.
5. Oublier le cas des nouveaux clients. Le modèle apprend sur l'historique — donc il est aveugle sur les clients qui viennent d'arriver. Sans modèle de cold-start dédié, vous perdez 5-15 % de la base, précisément ceux qui ont la meilleure LTV potentielle. À traiter dès la V1, pas en V3.