Scoring client : définition, méthode et exemples pour noter vos clients

Le scoring client attribue une note à chaque client pour anticiper son comportement et adapter les actions marketing en conséquence. Le plus répandu, le scoring RFM, se calcule avec trois données que toute entreprise possède déjà : la récence, la fréquence et le montant des achats.

C’est tout l’intérêt d’un score : rendre visible ce que la base clients ne montre pas d’elle-même. Qui sont les clients qui font le chiffre ? Et lesquels sont en train de partir sans que personne ne s’en aperçoive ?

Bonne nouvelle : le scoring client n’a rien de réservé aux grandes entreprises équipées de data scientists. Un score RFM se calcule dans un tableur. Les scores prédictifs, eux, sont désormais intégrés à de nombreux CRM et CDP (Customer Data Platform)…à condition d’avoir assez de données pour les alimenter.

Ce guide explique ce qu’est le scoring client et les principaux types de scores. Il détaille ensuite la méthode pour construire le vôtre, avec un exemple chiffré de scoring RFM et un modèle gratuit à télécharger.

CHAPITRE 1 – Qu’est-ce que le scoring client ?

Le scoring client consiste à attribuer à chaque client une note, calculée à partir de ses données, pour le classer ou prédire son comportement.

Concrètement, la note peut prendre la forme d’un chiffre de 1 à 5 ou d’une probabilité exprimée en pourcentage. Ce qui compte, c’est qu’elle soit calculée de la même façon pour tous les clients et donc comparable.

Le principe dépasse d’ailleurs le marketing. Les banques pratiquent depuis longtemps le scoring de crédit pour évaluer le risque d’un emprunteur. Le scoring client applique la même logique à la relation commerciale : évaluer la valeur d’un client ou son risque de départ.

Scoring client, lead scoring et segmentation : quelles différences ?

Le scoring client et le lead scoring attribuent des notes, la segmentation regroupe.

Avant d’aller plus loin, levons une confusion fréquente entre ces notions voisines :

Le score est le plus souvent l’antichambre de la segmentation. Une note seule ne déclenche rien : c’est en regroupant les clients par tranches de score qu’on obtient des segments auxquels adresser une action. Notre guide de la segmentation client détaille cette étape.

CHAPITRE 2 – Les 6 principaux types de scoring client

Chaque type de score répond à une question différente sur vos clients. Le bon choix dépend donc de la décision à prendre.

Maintenant que la notion est posée, voyons les principaux types de scores, des plus simples aux plus avancés :

Les scores de valeur : RFM et valeur vie client

Le RFM classe les clients selon trois critères de comportement d’achat : la récence, la fréquence et le montant.

Un client qui a acheté récemment, souvent et pour des montants élevés est un client de grande valeur. À l’inverse, un client dont le dernier achat remonte à loin est en train de décrocher, quels que soient ses achats passés. Le RFM a deux qualités rares : il se calcule à partir des seules données d’achat et il se comprend immédiatement. C’est pourquoi nous le recommandons presque toujours comme premier score.

La valeur vie client (CLV, pour Customer Lifetime Value) va plus loin : elle estime ce qu’un client rapportera sur toute la durée de la relation. Elle sert à décider combien investir pour acquérir ou retenir un client, mais demande un historique plus long pour être fiable.

Les scores prédictifs : appétence et attrition

Un score d’appétence estime la probabilité qu’un client achète un produit ou réponde à une offre.

On l’utilise pour choisir l’offre à présenter à chaque client (on parle de « next best offer ») ou le canal par lequel le contacter. Le score d’attrition, lui, estime le risque qu’un client cesse d’acheter ou résilie son abonnement. Il est décisif dans les modèles par abonnement, où chaque départ évité compte double : le revenu conservé et le coût d’une nouvelle acquisition épargné.

Les scores d’engagement et de satisfaction

Les scores d’engagement mesurent l’attention que le client porte encore à la marque, les scores de satisfaction ce qu’il en pense.

Le score d’engagement combine par exemple les ouvertures et les clics. Il sert notamment à réguler la pression marketing : inutile de multiplier les envois vers un client qui n’ouvre plus rien depuis six mois. Attention toutefois aux ouvertures d’e-mails, faussées depuis que certaines messageries pré-chargent les messages.

Les scores de satisfaction reposent sur des enquêtes :

• Le NPS (Net Promoter Score) mesure la propension à recommander, sur une échelle de 0 à 10. Il se calcule en retranchant le pourcentage de détracteurs (0 à 6) du pourcentage de promoteurs (9 et 10).
• Le CSAT (Customer Satisfaction Score) mesure la satisfaction après une interaction précise, comme un achat ou un appel au service client.
• Le CES (Customer Effort Score) mesure l’effort que le client a dû fournir pour obtenir ce qu’il voulait.

Ces trois indicateurs se complètent plus qu’ils ne s’opposent. Notre guide pour mesurer la satisfaction client explique comment les déployer.

CHAPITRE 3 – Comment construire un scoring client : la méthode en 4 étapes

Un bon scoring client part d’une décision marketing à prendre, pas des données disponibles.

C’est l’erreur la plus fréquente : on calcule un score parce que les données le permettent, puis on cherche à quoi il pourrait servir. Le score finit dans un tableau de bord que personne n’utilise. La démarche inverse est plus sûre. Voyons-la étape par étape.

#1 Partir de la décision à prendre

Chaque score doit répondre à une question opérationnelle précise.

Un exemple ? « À quels clients proposer notre programme de fidélité ? » Ou encore « Quels clients relancer avant qu’ils ne partent ? »

C’est cette question qui détermine le type de score à calculer et l’outil dans lequel il devra être disponible.

#2 Choisir les données et vérifier leur qualité

Un score ne vaut que ce que valent les données qui l’alimentent.

Pour un RFM, il faut l’historique d’achat complet de chaque client, rattaché à un identifiant unique. C’est souvent là que le projet se complique : un même client qui achète en ligne et en magasin sous deux identifiants différents apparaîtra comme deux clients moyens au lieu d’un très bon. La réconciliation des données passe donc avant le calcul. Notre article sur le référentiel client unique explique comment la mener.

#3 Choisir la méthode de calcul et valider le score

Trois familles de méthodes coexistent, de la plus simple à la plus sophistiquée.

Le choix dépend du volume de données et des compétences disponibles :

1. Les règles métier. On attribue des points selon des critères fixés par l’équipe marketing : +10 pour un achat dans le mois, +5 pour un panier supérieur à 100 €. Simple et transparent, mais subjectif.
2. Les méthodes statistiques. On classe les clients les uns par rapport aux autres, par exemple en les répartissant en tranches égales (c’est le principe du RFM). Les seuils s’adaptent à votre base, sans arbitraire.
3. Le machine learning. Un modèle apprend sur l’historique quels comportements précèdent un achat ou un départ, puis calcule une probabilité pour chaque client. Plus précis, mais il demande beaucoup de données et reste moins facile à expliquer aux équipes.

Quelle que soit la méthode, validez le score avant de l’utiliser. Le test le plus simple : vérifier sur les mois passés que les clients les mieux notés ont bien acheté davantage. Ou que ceux notés « à risque » sont bien partis plus souvent.

Vous l’aurez compris : la bonne méthode est celle que vos données et vos équipes savent faire vivre. La plus sophistiquée ne sert à rien si personne ne lui fait confiance…

#4 Activer le score et le recalculer

Un score n’a de valeur que s’il est disponible là où se prennent les décisions : dans le CRM, l’outil d’emailing ou l’outil des commerciaux.

Il doit aussi être recalculé régulièrement, car le comportement des clients évolue. Un client noté « champion » il y a un an peut avoir cessé d’acheter depuis. Selon le rythme d’achat, un recalcul hebdomadaire ou mensuel suffit en général. C’est une question d’intégration des données autant que de calcul.

CHAPITRE 4 – Exemple de scoring client : le RFM pas à pas

Voici comment fonctionne le scoring RFM de notre modèle gratuit, appliqué à son jeu de données d’exemple de 8 079 clients.

Rassurez-vous, la méthode tient en quatre opérations, que le modèle réalise automatiquement :

1. Calculer les trois métriques. Pour chaque client : la date de sa dernière commande (récence), son nombre de commandes (fréquence) et son panier moyen (montant).
2. Noter chaque métrique de 1 à 6. On répartit les clients en six groupes de taille égale pour chaque métrique. Un client noté 6 en montant fait partie du sixième des clients au panier moyen le plus élevé.
3. Combiner la fréquence et le montant. On multiplie les deux notes, puis on répartit à nouveau le résultat en six groupes pour obtenir une note « FM » de 1 à 6.
4. Placer chaque client dans un segment. Le croisement de la note de récence et de la note FM détermine son segment, selon la grille ci-dessous.

Cette approche a un avantage : réduire 216 combinaisons possibles (6 × 6 × 6) à onze segments, chacun associé à une action. Les « champions » ont acheté récemment, souvent et beaucoup. Les clients « à ne pas perdre » ont beaucoup acheté par le passé, mais plus depuis longtemps.

Ce que révèle le scoring RFM

Appliqué au jeu de données d’exemple, le scoring RFM montre une concentration nette de la valeur.

Voici les indicateurs que le modèle calcule pour chaque segment :

Trois enseignements s’en dégagent :

• La valeur est concentrée. Les champions et les clients fidèles représentent 39,5 % des clients, mais 59,7 % du chiffre d’affaires.
• Un segment mérite une attention immédiate. Les clients « à ne pas perdre » (6 % de la base) ont le chiffre d’affaires moyen le plus élevé de tous les segments, 683 € par client, mais n’ont rien acheté depuis 388 jours en moyenne.
• Une part de la base est probablement perdue. 14,3 % des clients n’ont pas acheté depuis près de deux ans en moyenne. Les relancer massivement coûte plus qu’il ne rapporte.

Le scoring transforme ainsi une base de 8 000 clients en quelques priorités claires : reconquérir en priorité les clients « à ne pas perdre » et alléger la pression sur les clients perdus.

CHAPITRE 5 – Les usages du scoring client

Le scoring client sert à adresser le bon message au bon client. Et surtout à arrêter d’adresser le même message à tout le monde.

Concrètement, à quoi sert un score une fois calculé ? Voici les 5 usages les plus courants :

• Personnaliser les communications. Les nouveautés aux clients actifs, une offre de retour à ceux qui décrochent.
• Construire un programme de fidélité. Les scores de valeur identifient les clients à récompenser en priorité. Voir notre guide pour créer un programme de fidélité.
• Prévenir les départs. Un score d’attrition ou une récence en baisse déclenche une action de rétention avant qu’il ne soit trop tard.
• Allouer le budget marketing. Concentrer les remises et les campagnes coûteuses sur les clients qui ont le plus de potentiel.
• Réguler la pression marketing. Espacer les envois vers les clients peu engagés. Notre guide sur la pression marketing explique comment la modéliser.

Le score comme déclencheur de scénarios automatisés

Le scoring client prend toute sa valeur quand il déclenche automatiquement une action.

Le principe : quand un client franchit un seuil de score, un scénario de marketing automation se déclenche. Par exemple :

• Un client qui passe dans le segment « à risque » reçoit une offre de réactivation.
• Un client qui atteint un certain score de valeur est inscrit au niveau supérieur du programme de fidélité.
• Un client qui donne une note de satisfaction basse déclenche un rappel du service client.
• Un client à forte appétence pour une catégorie reçoit une recommandation de produit.

Ce sont les changements de score, plus que les scores eux-mêmes, qui font les meilleurs déclencheurs. Un client qui passe de « fidèle » à « à risque » envoie un signal bien plus utile qu’un client noté « à risque » depuis deux ans (celui-là a sans doute déjà fait son choix).

CHAPITRE 6 – Scoring prédictif et IA : ce que font les CRM et les CDP

Les scores prédictifs, longtemps réservés aux équipes de data science, sont désormais calculés directement par de nombreux CRM et CDP.

Voyons ce que proposent quelques outils du marché :

• Klaviyo calcule pour chaque client une valeur vie client prédite, un risque d’attrition exprimé en pourcentage, le délai moyen entre deux commandes et une date probable de prochaine commande.
• Salesforce Marketing Cloud propose avec Einstein Engagement Scoring une prédiction de la probabilité d’ouvrir un e-mail, de cliquer, de rester abonné ou de convertir sur le site.
• HubSpot calcule pour les contacts une probabilité de devenir client dans les 90 jours, à partir des affaires conclues par le passé.

Ces fonctions changent la donne pour les entreprises qui n’ont pas d’équipe de data science. Elles ont cependant une condition : un volume de données suffisant. Prenons Klaviyo : selon sa documentation, l’outil ne calcule ses prédictions de valeur vie client qu’à partir de 500 clients ayant commandé et de 180 jours d’historique de commandes, avec des commandes au cours des 30 derniers jours.

Ce que l’IA ne fait pas à votre place

Un modèle prédictif apprend sur vos données réelles, avec leurs doublons et leurs trous.

Si un même client existe sous trois identifiants, le modèle verra trois petits clients. Si les achats en magasin ne remontent pas dans le CRM, il ignorera une partie du comportement. La qualité des données reste donc le premier chantier, avant même le choix de l’outil.

Ajoutons que les scores prédictifs posent une question d’explicabilité. Une équipe marketing adhère plus facilement à un score RFM qu’elle comprend qu’à une probabilité dont elle ignore le mode de calcul. D’où notre recommandation : commencer par un score simple et compris de tous, puis passer au prédictif quand les données et les usages sont en place. Notre guide sur la segmentation client et l’IA approfondit le sujet.

CHAPITRE 7 – Les erreurs à éviter avec le scoring client

Les projets de scoring échouent rarement sur le calcul. Ils échouent sur l’usage.

Voici les 5 erreurs que nous rencontrons le plus souvent :

• Calculer un score sans décision à éclairer. Le score finit dans un tableau de bord et ne déclenche jamais aucune action.
• Scorer une base mal réconciliée. Un client vu sous plusieurs identifiants est sous-évalué : vos meilleurs clients disparaissent des segments de tête.
• Multiplier les scores. Dix scores que personne ne sait interpréter valent moins qu’un seul score utilisé tous les jours.
• Ne jamais recalculer. Un score figé décrit les clients d’hier et envoie des offres de fidélité à des clients partis depuis longtemps.
• Oublier de mesurer l’effet. Sans groupe témoin, impossible de savoir si les actions déclenchées par le score rapportent plus qu’un envoi à toute la base.

Modèle de scoring RFM à télécharger

Pour vous lancer, nous avons conçu un modèle de scoring et de segmentation RFM gratuit, au format Google Sheets.

Collez vos données d’achat dans l’onglet « Raw Data » (une ligne par commande, avec son identifiant, sa date, son montant et l’identifiant du client), puis cliquez sur « Calculer ». Le modèle note chaque client, le place dans l’un des onze segments et calcule les indicateurs de chaque segment : nombre de clients, chiffre d’affaires, panier moyen, récence et fréquence moyennes.

Profitez-en pour tester le scoring sur vos propres données avant d’investir dans un outil prédictif.

FAQ : vos questions sur le scoring client

Qu’est-ce que le scoring client ?

C’est une technique qui attribue à chaque client une note calculée à partir de ses données (achats et interactions) pour le classer ou prédire son comportement, par exemple un achat ou un départ.

Quelle est la différence entre scoring client et segmentation ?

Le scoring note chaque client individuellement. La segmentation regroupe les clients qui se ressemblent, souvent à partir de leurs scores, pour leur adresser la même action.

Comment calculer un score RFM ?

Pour chaque client, calculez la date de son dernier achat, son nombre d’achats et son montant moyen. Notez chacune de ces métriques en répartissant les clients en groupes de taille égale (de 1 à 5 ou de 1 à 6), puis combinez les notes pour placer chaque client dans un segment.

Quelle méthode de scoring choisir ?

Commencez par un score simple et compréhensible, comme le RFM, calculé à partir de vos données d’achat. Passez à des scores prédictifs (appétence, attrition) quand vous disposez d’un historique suffisant et d’usages bien installés.

Faut-il un data scientist pour faire du scoring client ?

Pas pour commencer : un score RFM se calcule dans un tableur et de nombreux CRM et CDP proposent des scores prédictifs prêts à l’emploi. Un data scientist devient utile pour construire des modèles sur mesure ou combiner des sources de données complexes.

CRM / Data - Plus de 15 ressources & templates gratuits à télécharger.

Découvrir