Segmentation client & Lifetime Value : RFM, K-Means et modèles probabilistes

Trois clusters bien définis changent plus la performance marketing que vingt segments flous. Comment nous combinons la segmentation RFM avec les modèles probabilistes BG/NBD et Gamma-Gamma pour estimer la valeur client à 36 mois — et pourquoi ça fait ×2,4 sur la précision des CLV.

Pourquoi la segmentation par "persona" ne tient pas en production

Les segments marketing classiques ("Les Millenials urbains", "Les seniors premium", "Les acheteurs opportunistes") sont confortables pour les workshops, mais ingérables pour un CRM. Ils reposent sur des variables déclaratives, ne se mettent pas à jour, et ne sont pas calculables automatiquement sur de nouveaux clients. La segmentation RFM (Recency, Frequency, Monetary) a le mérite inverse : elle est purement comportementale, rafraîchie chaque nuit, et elle prédit l'avenir.

RFM : trois axes, rien de plus

• Recency — nombre de jours depuis la dernière commande. Plus c'est petit, mieux c'est.
• Frequency — nombre total de commandes sur la période d'observation.
• Monetary — panier moyen ou montant total dépensé.

Ces trois features capturent 70 à 80 % de la variance comportementale sur la plupart des business retail/e-commerce/SaaS. On peut les enrichir (nombre de catégories achetées, canal préféré, délai entre commandes), mais la base reste solide.

Pourquoi K-Means plutôt que quartiles manuels ?

La méthode RFM "traditionnelle" découpe chaque dimension en quartiles et construit 4×4×4 = 64 segments. C'est ingérable. K-Means applique une distance euclidienne pondérée dans l'espace (R, F, M) après standardisation, et ramène la complexité à 3–5 clusters interprétables.

Le nombre optimal de clusters se détermine via :

• Elbow method — inertie intra-cluster en fonction de k.
• Silhouette score — qualité de séparation entre clusters.
• Interprétabilité business — un cluster qui ne raconte rien ne sert à rien, même s'il maximise une métrique.

Dans notre cas, k=3 a émergé naturellement :

• At-risk — Recency élevée, Frequency faible. Ils s'éloignent.
• Growing — Recency modérée, Frequency en hausse. Le cœur de la base.
• VIP — Recency faible, Frequency élevée, Monetary top. Les ambassadeurs.

BG/NBD + Gamma-Gamma : la CLV probabiliste

Segmenter est utile pour prioriser. Mais pour allouer un budget d'acquisition, il faut estimer combien chaque cluster (ou chaque client) vaut sur les 12, 24, 36 mois à venir. C'est là qu'interviennent les modèles probabilistes de lifelines :

BG/NBD (Beta-Geometric / Negative Binomial Distribution)

Modélise la fréquence future d'achat et la probabilité qu'un client soit encore actif (non-churner latent), en se basant uniquement sur Recency et Frequency. Contrairement à K-Means qui donne un label, BG/NBD donne une distribution de probabilité pour chaque client.

Gamma-Gamma

Modélise le montant moyen par transaction, conditionnellement indépendant de la fréquence. Multiplié par la prédiction de BG/NBD, on obtient la CLV espérée sur n mois, avec un intervalle de confiance.

La combinaison est très utilisée dans les travaux de Peter Fader (Wharton) et est implémentée dans la bibliothèque Python lifetimes.

Résultats mesurables

Trois erreurs que nous voyons souvent

1. Standardiser avant de clusteriser… ou pas

Oublier de standardiser (Z-score ou Min-Max) transforme K-Means en algorithme dominé par la feature à plus forte variance (typiquement Monetary). Toujours normaliser avant, et réinverser en post-traitement pour l'interprétation.

2. Utiliser BG/NBD sur un business par abonnement

BG/NBD suppose des achats discrets et irréguliers (non-contractuels). Sur un business SaaS où le paiement est récurrent et explicite, c'est Cox ou Kaplan-Meier qu'il faut — analyse de survie classique.

3. Confondre CLV historique et CLV projetée

La CLV historique (ce que le client a déjà dépensé) ne prédit pas la suite. Un client VIP en 2023 peut être at-risk en 2026. Seule la CLV projetée a de la valeur pour piloter les budgets d'acquisition ou de fidélisation.

La segmentation pour la segmentation n'a aucune valeur. La segmentation pour l'action — campagnes différenciées, budgets d'acquisition, playbooks CRM — change la rentabilité.

Pipeline en production

Le pipeline tourne en batch hebdomadaire :

1. Agrégation des transactions sur les 24 derniers mois.
2. Calcul des features RFM par client.
3. K-Means pour l'attribution de cluster.
4. BG/NBD + Gamma-Gamma pour la CLV à 36 mois.
5. Push vers le CDP (Customer Data Platform) pour activation marketing.

Monitoring : drift sur les centroïdes K-Means (alerte si un centroïde bouge de plus de 1σ), et re-calibration des hyperparamètres BG/NBD tous les 6 mois sur les nouvelles cohortes.

Ce qu'il faut retenir

• RFM + K-Means donne une segmentation actionnable en moins d'une semaine.
• BG/NBD + Gamma-Gamma est la méthode de référence pour la CLV en business non-contractuel.
• Trois clusters bien séparés battent vingt segments flous.
• Le lien avec l'activation marketing (CDP, CRM, ads) est la différence entre un dashboard et un levier de croissance.