Loyalty & retention : frameworks et méthodologie

Quatre cohortes sont à l'écran. Les inscrits de janvier se sont stabilisés à 38 % encore actifs au sixième mois. Février ressemble à janvier. Mars chute encore au troisième mois et personne ne peut dire où ça s'arrarrL'Annual Recurring Revenue (ARR) est le revenu normalisé et prévisible qu'une entreprise par abonnement attend de ses contrats actifs sur une année.Voir la définition complète →ête. Vous avez le budget d'une seule campagne lifecycle et deux sprints de développement ce trimestre. Sur quelle cohorte les dépensez-vous ?

Vous ne pouvez pas répondre à partir d'un taux de churn, le chiffre que définit la leçon sur les fondamentaux. Un seul pourcentage mensuel mélange des cohortes d'âges, de canaux et d'intentions différents en un chiffre qui bouge pour des raisons que vous ne voyez pas. La méthode ci-dessous vous amène à une réponse défendable en trois mouvements : une courbe fiable, une prédiction qui bat le base rate, et une plomberie qui déclenche l'action pendant que le client est encore joignable.

Lire la courbe avant de lire le chiffre

Construisez d'abord le triangle de cohortes : les lignes sont le mois d'inscription, les colonnes le nombre de mois depuis l'inscription, les cellules la part de cette cohorte encore active. Deux propriétés comptent, et elles sont indépendantes. Le niveau, c'est la hauteur de la courbe. La forme, c'est le fait qu'elle se stabilise ou non.

Une courbe qui tend vers une asymptote à, disons, 32 % vous dit qu'un tiers de chaque cohorte constitue une base stable, et le calcul de lifetime valuelifetime valueLifetime Value : le revenu total (ou le profit) qu'un client génère sur toute la durée de sa relation avec votre entreprise.Voir la définition complète → posé dans la leçon sur les fondamentaux se fait à partir de cette asymptote plus la marge contributive mensuelle. Une courbe qui ne se stabilise jamais a une retention terminale de zéro. Chaque client est loué, et aucun mécanisme de loyalty ne corrige ça ; le produit le fait ou ne le fait pas.

Écrivez quelle définition de la retention vous utilisez et cessez d'en changer. La N-day retention compte les utilisateurs actifs exactement au jour N. La bracketed retention compte quiconque est actif dans une fenêtre (jours 25 à 31). La rolling retention, ou unbounded retention, compte quiconque est actif au jour N ou n'importe quel jour après, ce qui veut dire qu'un utilisateur parti qui revient au mois neuf devient rétroactivement « retenu » des mois trois à huit. La rolling retention ne peut être révisée qu'à la hausse, donc les cohortes récentes paraissent toujours plus mauvaises que les cohortes mûres et votre dashboard flatte le passé. Le même log d'événements brut peut produire des écarts à deux chiffres au troisième mois selon laquelle des trois vous avez choisie.

Ensuite, choisissez votre cohorte par la pente, pas par le niveau. Le mois dont la courbe accuse le coude le plus marqué entre la semaine une et la semaine quatre porte le plus de valeur récupérable, parce que c'est là que la population est encore large. Avant de vous engager, décomposez la cohorte par canal d'acquisition. Une courbe qui a perdu quatre points d'un trimestre sur l'autre relève plus souvent d'un effet de mix (le paid social est passé de 12 % à 30 % des inscriptions) que d'une dégradation du produit. Corrigez le mauvais problème et vous passez un trimestre à améliorer l'onboarding d'une cohorte dont le problème était l'achat média.

Framework 1 : le RFM comme couche de scoring

Le RFM trie les clients par recency, frequency et monetary value, chacune découpée en quintiles. Cela fait 125 cellules, que personne ne peut opérer, alors regroupez-les en huit à douze segments nommés, avec un responsable et une action chacun. Pour les activités par abonnement, remplacez le monetary par la marge contributive et la frequency par les jours actifs par mois ; les quintiles de chiffre d'affaires brut classeront vos plus gros utilisateurs de remises en tête.

Le point méthodologique que la plupart des équipes ratent : le RFM est descriptif. Il dit où quelqu'un se situe, pas où il va. Le signal, c'est le delta. Un client passé du quintile de frequency le plus élevé au quintile médian en huit semaines est un cas de retention vivant ; un client resté au milieu depuis deux ans est stable. Scorez le RFM chaque mois, stockez l'historique, et alertez sur le mouvement plutôt que sur l'état.

Framework 2 : l'activation, là où la courbe est la plus raide

L'essentiel de l'écart entre une bonne cohorte et une mauvaise se joue dans les premiers jours, avant qu'aucun mécanisme de loyalty ne puisse l'atteindre. Donc définissez un événement d'activation unique, l'action observable qui sépare les deux courbes, et instrumentez-le avant d'écrire le moindre email.

Le calcul mérite d'être fait à la main. Prenez 100 inscriptions : 40 réalisent l'événement d'activation et sont retenues à 55 % au jour 30, les 60 autres à 12 %. La retention blended au jour 30 est de 29,2 %. Faites passer l'activation de 40 % à 50 % et, avec les deux sous-taux inchangés, vous arrivez à 33,5 %. Quatre points de retention grâce à une correction dans le funnelfunnelLe parcours client de la découverte à l'achat, généralement Awareness, Interest, Consideration, Decision, Action, avec des prospects de moins en moins nombreux à chaque étape.Voir la définition complète →, pas à une remise.

Le piège, c'est que les activateurs s'auto-sélectionnent. Les gens qui ont configuré l'intégration étaient plus engagés le jour de leur inscription. La seule façon de savoir si les pousser jusque-là cause la retention est un holdout randomisé sur la séquence d'onboarding elle-même. Drift, qui vend des logiciels de conversational marketing, a construit son produit autour du déclenchement d'un scénario scripté dans la session live selon l'identité du visiteur ; la même logique s'applique après l'inscription, et le même standard de preuve s'applique aux deux.

Framework 3 : une prédiction de churn qui justifie son compute

Commencez par le base rate. Si le churn mensuel est de 3 %, un modèle qui prédit « personne ne churn » est exact à 97 % et ne vaut rien. Jugez sur le lift du premier décile : si les 10 % de comptes les mieux scorés contiennent 35 % des churners du mois suivant, c'est un lift de 3,5x et une liste cible qu'une équipe humaine peut traiter.

Quatre choses cassent ces modèles en pratique :

• La fuite (leakage). « A visité la page d'annulation » et « a downgradé son plan » sont l'outcome déguisé en feature. Le modèle score brillamment en backtest et vous prévient 40 minutes avant le départ du client.
• Le décalage d'horizon. Un modèle calibré pour prédire le churn à trois jours est inutile si le scénario de sauvetage exige un appel de CSM et une fenêtre de planification de deux semaines. Alignez l'horizon de prédiction sur le délai d'action, puis figez-le.
• La mauvaise question. Les classifieurs répondent à « va-t-il churner dans cette fenêtre ». Les modèles de survie (Kaplan-Meier pour la courbe descriptive, Cox pour les facteurs) répondent à « quand », et gèrent les clients qui n'ont pas encore churné sans les exclure de l'échantillon.
• Cibler le risque au lieu de la persuadabilité. Le décile le plus à risque est rempli de gens déjà partis. L'uplift modelling score la différence entre l'outcome avec traitement et sans, et il trouve régulièrement qu'une partie de votre liste cible serait restée de toute façon, tandis qu'une autre partie churn plus vite quand vous la contactez.

Le sentiment déclaré s'intègre mal dans ces modèles. Le NPSNPSLe Net Promoter Score (NPS) mesure la loyauté client en demandant aux clients quelle est la probabilité qu'ils recommandent une marque, puis en soustrayant les détracteurs des promoteurs.Voir la définition complète →, introduit par Fred Reichheld avec Bain en 2003, provient d'une minorité auto-sélectionnée de votre base et est périmé en quelques semaines. Comme feature, il est creux ; les features comportementales le battent presque toujours.

Framework 4 : la lentille des jobs, instrumentée

Le Jobs-to-Be-Done de Clayton Christensen soutient que les clients recrutent un produit pour un job. Spotify traite les contextes d'écoute comme des jobs distincts : trajet, sport, concentration, fin de journée, et a construit le catalogue et les surfaces de recommandation (Discover Weekly, depuis 2015) autour d'eux.

La version mesure est simple. Comptez les contextes distincts par utilisateur et par semaine, puis découpez la courbe de retention selon ce compte. Si la courbe à un contexte et la courbe à trois contextes se séparent, vous avez un levier qui mérite du développement produit, et un trigger lifecycle qui mérite d'être écrit : les utilisateurs qui n'ont jamais utilisé le produit que pour un seul job sont incités vers un second.

La plomberie : de l'événement à l'action lifecycle

Rien de tout cela ne se déclenche sans une infrastructure d'événements et d'identité. Segment, une customer data platformcustomer data platformLogiciel qui unifie les données client de toutes les sources en un profil unique et durable, exploitable par le marketing, les ventes et le service.Voir la définition complète → (donc un fournisseur exactement de la plomberie décrite ici, racheté par Twilio en 2020 pour environ 3,2 Md$), organise tout cela autour d'un petit ensemble d'appels : track pour les événements, identify pour les traits utilisateur, group pour les comptes.

La défaillance qui détruit silencieusement l'analyse de cohortes, c'est la résolution d'identité. Le même humain arrive anonymement sur le web, s'inscrit sur iOS, et réapparaît sur une facture sous un email professionnel. Sans alias entre l'ID anonyme et l'ID utilisateur à la connexion, et sans rattachement des comptes aux utilisateurs, une personne devient trois profils. Les dénominateurs gonflent, la retention est sous-estimée, et le modèle de churn s'entraîne sur des fantômes.

Deuxième défaillance : la dérive de schémamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète →. Une release de l'app renomme « Song Played » en « Track Played ». La courbe de cette cohorte plonge, l'alerting se déclenche, et vous lancez une campagne de win-back auprès de gens qui ne sont jamais partis. Un tracking plan versionné avec des responsables nommés et un contrôle CI sur les noms d'événements coûte une journée et évite un trimestre de mauvaises décisions.

Troisième : la latence. Une relance de paiement sur une carte refusée a une fenêtre de quelques heures, pas d'un batch nocturne. Décidez trigger par trigger ce qui exige du streaming et ce qui peut attendre, car tout streamer multiplie le coût sans gain.

Quatrième : les demandes de suppression effacent l'historique de profil et rompent la continuité des cohortes. Conservez un compteur de cohorte anonymisé pour que vos dénominateurs survivent à l'effacement des individus qu'ils contiennent.

Actions pour le CMO

• Publiez une définition écrite unique de la retention (N-day, bracketed ou rolling) et reconstruisez le triangle de cohortes sur cette base. Diffusez les anciens et les nouveaux chiffres côte à côte pour que personne ne discute la discontinuité plus tard.
• Choisissez la cohorte du trimestre par la pente de la courbe, après décomposition par canal d'acquisition pour écarter un effet de mix.
• Nommez un événement d'activation, mesurez l'écart de retention au jour 30 de part et d'autre, et faites tourner la poussée d'onboarding contre un holdout de 10 %.
• Notez votre modèle de churn sur le lift du premier décile, pas sur l'exactitude, et auditez la liste des features pour tout ce qui n'apparaît qu'après la décision de partir.
• Demandez à l'engineering le ratio entre profils et humains connus. Tout ce qui dépasse 1,2 signifie que vos courbes sont fausses avant même le début de l'analyse.

Erreurs courantes qui tuent les résultats

Reporter la retention à l'année masque tout. La décision de partir se prend généralement entre la deuxième et la huitième semaine ; une lecture annuelle des cohortes est l'autopsie, pas le diagnostic.

Lancer des campagnes de sauvetage sans groupe de contrôle signifie que vous ne pourrez jamais séparer l'intervention de la régression vers la moyenne. Chaque scénario a besoin d'un holdout randomisé, et les holdouts doivent survivre au premier trimestre où quelqu'un demande de les couper parce que « on sait que ça marche ».

Traiter un score de satisfaction comme une prévision de retention est une erreur de catégorie. La satisfaction est un état ; la retention est un comportement. Construisez la stack de mesure sur des événements observables, et servez-vous des données déclaratives pour le diagnostic plutôt que pour le ciblage.