Marketing prédictif : comment l’IA anticipe ce que ton client va faire ensuite

La plupart des marques que je vois tournent encore leur CRM avec des chiffres sortis de nulle part. Un flow de win-back qui part à 30 jours d'inactivité. Un mail de réachat qui tombe 60 jours après la première commande. Quand je demande d'où vient le chiffre, la réponse est toujours la même. Une moyenne interne, un benchmark lu quelque part, ou un truc qu'un mec a dit une fois en réunion.

Ces règles statiques traitent tout le monde pareil et ne s'ajustent jamais seules. Le marketing prédictif règle ça, et presque personne ne s'en sert vraiment en eCom.

C'est quoi le marketing prédictif, sans le bullshit

Le marketing prédictif, en gros, c'est de l'IA qui prédit ce qu'un client va faire ensuite, puis déclenche des messages là-dessus. Quand il va repasser commande, combien il va dépenser sur toute sa vie de client, et la probabilité qu'il te lâche.

La segmentation classique groupe les gens sur ce qu'ils ont déjà fait, acheté récemment, ouvert un mail, dépensé plus de 100 €. Ça ne regarde que le passé. Le prédictif, lui, estime ce que chaque client va faire, à partir de ses propres patterns.

Ce que les gens oublient, cette donnée, tu l'as déjà. Chaque achat, chaque session de browsing, chaque clic dans un mail est un signal. Tu l'as dans ton CRM, tu l'utilises juste pas.

Marketing prédictif vs marketing classique, ce qui change concrètement

Je commence par là parce que c'est ce qu'on me demande à chaque fois.

Le marketing classique réagit au passé. Il regarde ce qui s'est passé et il applique une règle. Le prédictif, lui, anticipe. Il regarde ce que le client est sur le point de faire, et c'est exactement ce qui décale ton timing CRM.

Un exemple. Le marketing classique te fait dire "ce client a dépensé plus de 200 €, je le mets dans mon segment VIP". Le prédictif te fait dire "ce client va dépenser 800 € sur les 12 prochains mois, je le traite en VIP maintenant, avant même qu'il ait prouvé quoi que ce soit". Tu pars de la même donnée, mais tu pilotes autrement.

Pourquoi les règles statiques ne tiennent pas la route

Prends deux clients sur un site de skincare. Une maquilleuse pro qui rachète ses produits toutes les semaines. Et une cliente lambda qui restocke deux fois par an. Si tu leur envoies à tous les deux le même rappel à 60 jours, il est mal calé pour les deux. Trop tard pour l'une, beaucoup trop tôt pour l'autre.

Les règles statiques mettent tout le monde dans le même sac, et comme elles ne se corrigent pas seules, le réglage retombe sur toi. Tu dois regarder en arrière tous les mois, tester, ajuster la fenêtre, recommencer. Un modèle prédictif fait ça en continu, il se recalibre sur le comportement de chaque client sans que personne touche au flow.

Avec un chiffre statique, tu dis, ça fait 30 jours que je n'ai pas vu cette personne, je dois la relancer. Sur quelle base ? Une moyenne de marché. Avec le prédictif, tu relances au moment où ce client-là est sur le point de racheter (ou de partir). Ton timing colle enfin au comportement réel.

Quelles données il te faut pour que ça marche

C'est souvent ce qui bloque les marques avant même de démarrer. Bonne nouvelle, t'as pas besoin de monter une équipe de data scientists ni de brancher un data lake.

La donnée qui nourrit les modèles, tu l'as déjà. L'historique de commandes de chaque client, sa fréquence d'achat, le montant dépensé, la récence de son dernier achat, et l'engagement sur tes mails. C'est exactement ce que ton CRM collecte en continu.

Le problème, ce n'est pas la quantité brute. Il te faut surtout du volume et une base propre. Le modèle a besoin d'assez de clients et d'assez d'historique pour sortir une prédiction fiable au lieu de retomber sur une moyenne. Et il a besoin d'une base clean, une segmentation correcte et une donnée qui n'est pas bourrée de doublons ou de profils morts. Je reviens sur les seuils exacts juste en dessous.

Les métriques prédictives à connaître

Klaviyo intègre des modèles de machine learning directement dans la plateforme. Voici celles que j'utilise le plus avec nos clients.

La LTV prédite combine la LTV historique et la dépense future estimée. Tu repères tes meilleurs clients plus tôt, avant même qu'ils aient prouvé leur valeur. La date de prochaine commande est une prévision par client, basée sur sa cadence à lui, pas sur une moyenne du store, et tu peux même customiser les fenêtres pour coller à ton cycle d'achat. Le risque de churn te donne la probabilité qu'un client soit en train de te filer entre les doigts, modélisée sur sa fréquence à lui. Le next best product et la date de cross-sell te disent ce qu'il va acheter ensuite et quand il sera réceptif, à partir des séquences d'achat réelles sur ton catalogue. Et la RFM range tes clients (Loyal, À risque, Besoin d'attention) selon la fréquence de leurs achats, leur récence et le montant dépensé, et surtout elle suit comment ils bougent d'une catégorie à l'autre dans le temps.

Un point important, le next best product et la RFM demandent Marketing Analytics ou l'Advanced Data Platform. Et quand ton compte n'a pas assez de données, certaines prédictions retombent sur des moyennes. Pour que ça tourne bien, il te faut au moins 500 clients qui ont commandé, 180 jours d'historique de commandes avec des commandes dans les 30 derniers jours, et quelques clients à 3 commandes ou plus. En dessous, le modèle n'a pas assez de matière pour être fiable.

Avantage de Klaviyo, ces prédictions se comportent comme n'importe quelle autre propriété de profil. Tu les utilises direct dans tes segments et tes flows. J'ai bossé sur d'autres plateformes avant, et c'est pas la norme du tout. Ailleurs, agir sur du prédictif demande souvent des outils en plus et une capacité plus étroite.

Les tactiques qui rapportent vraiment

Voilà ce que je mets en place, à peu près dans l'ordre où je le priorise.

Les flows de réachat calés sur chaque client

Premier truc que je monte dès qu'une marque vend du consommable. Au lieu de cinq flows avec cinq timelines différentes pour cinq produits, tu construis un seul flow déclenché par la date attendue de prochaine commande. Klaviyo sait déjà quel produit il doit racheter et quand.

La logique est simple. Si un client finit ton produit et que t'es pas dans sa boîte mail à ce moment-là, c'est quelqu'un d'autre qui y est. Un mail de réachat bien timé te garde top of mind pile au moment où il est prêt à repasser à la caisse.

Une marque d'hygiène bucco-dentaire, Smile Brilliant, utilise la date de prochaine commande prédite pour ses flows de réachat. Combiné à d'autres efforts de perso, ça a sorti un ROI de 39x sur la plateforme en un an.

Les cross-sells déclenchés par la réceptivité prédite

Ma combinaison préférée, next best product plus date de cross-sell. Plutôt que balancer une promo générique à toute ta liste, tu envoies à chaque client le produit qu'il est le plus susceptible d'acheter ensuite, au moment où il y sera le plus réceptif.

Résultat, le taux de conversion monte, parce que tu tapes la bonne offre au bon moment.

La segmentation RFM pour arrêter de traiter tout le monde pareil

La RFM, je la mets prioritaire chez la plupart de nos clients. Tu segmentes ta base selon la valeur et la fréquence d'achat, et tu adaptes ton message à chaque groupe. Un client loyal n'a pas besoin de la même chose qu'un client à risque.

Les win-backs déclenchés sur le mouvement RFM

L'approche que je préfère : déclencher le win-back quand un client change de catégorie RFM, au lieu d'un simple compteur de jours. Quand un client bascule de "Loyal" vers "À risque", tu le chopes à ce moment précis.

Du coup tu relances sur un vrai signal comportemental, pas sur un compteur de jours qui se fout de ce que le client fait vraiment.

Prioriser tes budgets acquisition avec la LTV prédite

La LTV prédite ne sert pas qu'au CRM. Tu peux remonter tes meilleurs clients potentiels vers Meta et Google pour nourrir tes audiences lookalike avec la bonne matière. Tu arrêtes d'optimiser sur le volume de conversions et tu vises les clients qui vaudront quelque chose dans 12 mois.

Comment savoir si ton modèle tourne vraiment

Détail qu'on oublie souvent, un modèle prédictif, ça peut dériver. Les comportements d'achat bougent, ta base évolue, et une prédiction qui était juste il y a six mois peut devenir à côté de la plaque.

Donc tu ne le mets pas en pilote automatique et tu l'oublies. Tu regardes si le prédictif tient face au réel. Est-ce que les clients que le modèle flagge "à risque" partent vraiment ? Est-ce que les dates de prochaine commande tombent au bon moment ? Si l'écart entre la prédiction et ce qui se passe vraiment se creuse, c'est que ton modèle manque de données fraîches ou que ta base s'est salie. Tu reviens sur la qualité de la donnée avant de toucher aux flows.

Par où commencer concrètement

Si je devais te donner l'ordre de marche, d'abord tu vérifies que t'as le volume de données pour que les modèles soient fiables (les 500 clients et 180 jours d'historique). Ensuite tu montes ton flow de réachat sur la date de prochaine commande, c'est le quick win le plus évident si tu vends du consommable. Puis tu mets en place ta segmentation RFM et tu la relies à des actions réelles.

Parce que c'est là que la plupart des marques calent. Elles regardent leurs cohortes, elles disent "ah tiens intéressant", et basta. Le prédictif ne vaut rien si tu ne transformes pas le constat en actions CRM concrètes. Un modèle qui te dit qu'un client va churner, si tu ne déclenches rien derrière, tu as juste un joli dashboard.

Tu as déjà toute cette donnée dans ton CRM. Le seul truc qui compte, c'est de brancher des actions dessus. Sinon elle dort dans ton CRM.