Vous êtes sur la page 1sur 21

Modélisation de la Valeur

Intérêt des calculs de valeur client

Les calculs de valeur client aident les entreprises a résoudre différents problèmes
Client fondamentaux comme par exemple la budgétisation des dépenses pour l'acquisition
des clients la sélection des médias de recrutement (la LTV est généralement
différente selon les différents médias) ou des types d'offres. ou la répartition des
efforts entre prospection et fidélisation. Bien conduites, les analyses de LTV peuvent
par Michel Calciu (michel.calciu@univ-lille1.fr; http://mihai.calciu.online.fr/)
aussi conduire a construire un avantage stratégique concurrentiel (Jackson, 1996).

Notes de cours à l'IAE de Lille 2007 Dichotomie du comportement relationnel du client

La valeur du client ou de la durée de vie client (Lifetime Value) est un concept clé La modélisation de cette valeur client dépend du contexte ou du comportement
en marketing relationnel. Cet article développe, synthétise et organise de manière relationnel du client (situation contractuelle ou non) et l'analyse des efforts de
modélisations montre bien qu'ils se développement a partir d'une distinction entre
progressive des formules de calcul de cette Lifetime Value, dans le prolongement rétention et migration de clientèle.
des recherches initié il y quelques années. Les calculs sont organises autour d'une
double taxonomie : celle des modèles de comportement relationnel du client - les
Objectifs de recherche
modèles de rétention et de migration - et celle des méthodes de calcul - algébrique
et matriciel. Les formules proposées permettent de traiter de manière explicite
des processus de migration de clientèle censures par rapport a la récence, Cette étude des modèles existants montre aussi que, dans une première série de
contributions, les développements mathématiques sont algébriques mais se focalisent
d'intégrer de manière flexible la desynchronisation de flux financiers et d'étendre sur le modèle de rétention tandis que, dans une autre série, ils sont matriciels mais
des procédures d'optimisation de la valeur client du modèle de rétention au prioritairement appliques au modèle de migration.
modèle de migration de la clientèle.
La nécessite de desynchronisation des flux financiers (dépenses et gains) dans la
Introduction relation client ressort aussi de l'analyse de ces contributions.

Marketing relationnel et marketing direct A partir des constats qui se dégagent d'une vision d'ensemble des modèles, cet article
va dans le sens de la systématisation et de l'unification. Il répertorie les éléments
communs et identifie ceux qui ne le sont pas. Il ajoute les composants qui semblent
Le développement de interactivité marketing et des bases de données " orientées absents de chaque démarche Ce faisant, il développe et adapte une série de formules
client " conduisent a la mise en avant, dans la plupart des contextes, des méthodes qui complètent les solutions existantes.
d'évaluation des clients et des portefeuille de clients mises au point en marketing
direct et en VPC ou développées dans certains modèles d'allocation des efforts d'une
force de vente. Les possibilités d'amélioration de ces méthodes sont encore Cadre de recherche
nombreuses mais ces progrès passent en particulier par un effort de systématisation et
d'unification. Ces formules, existantes ou nouvelles, sont regroupées dans un cadre progressif de
calcul de la valeur du client, présenté schématiquement dans la figure 1 et de manière
Profitabilité de la relation client détaillée dans le tableau de l'annexe 1.

Dans une perspective d'attraction et de conservation des clients, un client rentable est
un client dont les revenus générés tout au long de la relation commerciale dépassent
d'un montant acceptable les coûts supportes pour l'attirer, le satisfaire et le conserver.
Ce montant est appelé valeur du client ou valeur de la durée de vie client (lifetime
value ou LTV).

Michel Calciu – IAE de Lille USTL 1


Figure 1. - Modélisation de la valeur client, un cadre de recherche Dwyer (1989) révèle ainsi le caractère plus général de cette typologie, l'étend au
marche des particuliers, montre que le comportement de type " always a share ", qu'il
associe au " modèle de migration ", est généralement représentatif de l'achat par
catalogue ; tandis que le comportement de type " lost for good ", qu'il associe au "
modèle de rétention ", est représentatif des services financiers, des abonnements de
presse, etc.

Des démarches algébriques

Plus récemment, Berger et Nasr (1998) reprennent cette distinction entre rétention et
migration de clientèle et présentent des formules mathématiques de calcul de LTV
pour quatre situations impliquant des modèles de rétention et pour un contexte
nécessitant un modèle migration.

Blattberg et Deighton (1996) construisent un modèle de capital client ou " customer


equity " qui détermine l'équilibre optimal entre les dépenses d'acquisition client
(investissements pour convaincre les prospects de devenir clients) et dépenses de
rétention clients (investissements pour convaincre les clients actifs de continuer
d'acheter). Ce modèle utilise un horizon infini (long terme) et les formules de LTV
sont de ce fait simples, faciles a utiliser et évitent toute opération de sommation que
les modèle a horizon fini (life time) supposent. La notion de customer equity dans
Blattberg, Getz et Thomas (2000).

L'approche algébrique et l'approche matricielle sont distinguées. Les formulations Approches matricielles
intègrent progressivement les flux transactionnels qui comptabilisent les probabilités
de passer des commandes, les flux financiers composes de gains et dépenses et les A partir de ces travaux de Berger et Nasr (1998) et de Blattberg et Deighton (1996),
calculs d'optimisation de la valeur du client et du prospect. Pfeifer et Carraway (2000) travaillent en appliquant les chaînes de Markov a la
modélisation de la relation client et aux calculs de la LTV. Ils attirent l'attention sur la
L'utilisation de certains artefacts de représentation (arbres et diagrammes de flexibilité des modèles bases sur les chaînes de Markov et montrent que toutes les
migration, matrices des probabilités de transition) a permis de développer des situations modélisées par les auteurs précédents peuvent être ramenées a des modèles
formules algébriques récursives pour les calculs de LTV. de chaînes de Markov. Alors que les contributions antérieures se limitent a des
modèles de la valeur client fondes sur la récence, ces auteurs illustrent la relation
entre les chaînes de Markov et le cadre de modélisation RFM (Récence, Fréquence et
Plusieurs aspects relatifs a la dynamique de la migration des clients, comme la Montant) qui domine les pratiques du marketing direct et de la VPC.
censure a droite et a gauche ou les mécanismes d'élimination de la liste des clients,
sont traites de manière explicite.
Des développements plus spécifiques a ce secteurs peuvent aussi être trouves dans
Birtran et Mondschein (1996, 1997).
rétention, migration et approches mathématiques de la
valeur client Comparaison des travaux

Quelques travaux sur la valeur du client La comparaison de ces contributions met en évidence plusieurs points qui montrent
l'intérêt d'un effort de systématisation et d'unification :
Très tôt, Dwyer (1989) présente des exemples de calcul de la LTV a partir des deux
contextes majeurs distingues par Jackson(1985) en milieu industriel : les acheteurs de
type " always a share " et les acheteurs de type " lost for good ".

Michel Calciu – IAE de Lille USTL 2


• Berger et Nasr insistent sur la desynchronisation des flux financiers (dépenses et gains) Particularités du modèle de migration
dans la relation avec le client. Ils adoptent une approche algébrique qu'ils appliquent
essentiellement au modèle de rétention, délaissant dans une certaine mesure le modèle Alternativement le "modèle de migration " considère que les clients peuvent se re-
de migration. manifester après quelques périodes durant lesquelles ils n'ont pas effectues des
• Les développements de Blattberg et Deighton, sont aussi algébriques. Ils se limitent au transactions et trace leur probabilité de se " réactiver ".
modèle de rétention et insistent sur l'optimisation de la valeur du client dans une
perspective a long terme et centrée sur les prospects. L'évaluation du potentiel du client dans une telle relation repose sur la prise en
• Les solutions matricielles de Pfeifer et Carraway sont appliques prioritairement au compte jointe des probabilités de rester et de redevenir client actif après un nombre
modèle de migration. Elles adaptent a l'approche matricielle certains calculs des fixe de périodes ou autrement dit des probabilités de " survie " et de " réactivation ".
valeurs a long terme présents chez Blattberg et Deighton, mais les procédures
d'optimisation adoptées sont différentes (spécifiques aux processus de décisions La durée de vie du client correspond au nombre de périodes successives durant
markoviens). lesquelles le client, selon les estimations de l'entreprise, reste active ou peut se
réactiver Pour qu'un client puisse conserver cette qualité après de périodes d'inactivité
sa probabilité de se réactiver estime par l'entreprise doit être supérieure a la
La nature et la mecanique de la réponse individuelle du probabilité de réponse des prospects. Dans le cas contraire le client est élimine de la
client. base de données des clients et il devient un ex-client ou " purge" si ont adopte une
certaine terminologie utilise par la profession du marketing directe.
Appellations pour la dichotomie du comportement relationnel
Distinction entre flux transactionnels et flux financiers

Les deux types de comportement temporels des clients dans le relation avec une
entreprise (qui ont été appelés différemment selon les auteurs " lost for good "/ " Pour favoriser une évaluation progressive du potentiel des clients et faciliter la
always a share " pour Jackson, "modèle de rétention "/"modèle de migration" pour résolution de problèmes de complexité croissante il est convenable de distinguer les
Dwyer ou " contractuel "/ "non-contractuel " pour Reinartz et Kumar) , affichent des flux transactionnels des flux financiers générés par les clients durant le nombre de
patterns de migration différents périodes considérés.

Particularités du modèle de rétention Les premiers permettront d'estimer le nombre de transactions associes a un client
durant sa relation avec l'entreprise et les autres faciliteront les calculs de profitabilité
de la relation avec le client.
Le modèle de rétention considère qu'une personne ou une entreprise reste client tant
qu'elle génère des transactions. Cela signifie que si a un moment venu le client ne
La probabilité de générer des transactions et le potentiel transactionnel
renouvelle pas son contrat ou ne génère aucune transaction il peut être considère
comme perdu pour de bon (" lost for good ") ou " ex-client ". Cela veut dire aussi que
si un "ex-client" achète de nouveau il est considère comme nouveau client et il s'agit Le statut de client est donné par une transaction initiale. Pour évaluer les flux
plutôt d'un problème d'acquisition que de rétention de clientèle. transactionnels il est convenable de compter les transactions générées durant
plusieurs périodes ou cycles de commercialisation par un nombre de transactions
initiales t0 ou clients. On va noter tj le nombre de transactions générées par t0 clients
L'évaluation du potentiel du client dans une relation de ce type va prendre en compte
ou transactions initiales après j périodes. Le rapport entre le nombre de transactions
uniquement la probabilité de rester client actif d'une période a une autres ou ce que
après j périodes et le nombre de transactions initiales ou tj quand t0 = 1, exprime la
Blattberg et al. appellent la probabilité de survie du client.
probabilité de réponse d'un client (probabilité de commander) après j périodes.

La durée de vie du client (customer life time) correspond au nombre de périodes


Le potentiel transactionnel du client sera alors donne par le nombre espéré de
successives durant lesquelles le client est et reste actif.
transactions générées durant sa vie de client qui correspond la somme des probabilités
de générer une transaction a chaque période :

Michel Calciu – IAE de Lille USTL 3


J
1.00 0.71 0.71 710.00 12.00 10.00 7100.00
T j=∑ t k (1)
k=0 2.00 0.79 0.56 561.00 12.00 8.33 4675.00
3.00 0.83 0.47 466.00 12.00 6.94 3236.11
Le modèle de rétention 4.00 0.84 0.39 391.00 12.00 5.79 2262.73

[ ]
j k

[∏ ]
j k

Introduction au modèle de rétention Lifetime ∑ ∏ pl 3.13 3128.00 t 0 m−c ∑


k =0 l =0
pl /1ak 29273.84
k =0 l =0

Le type de comportement "lost for good" suppose que le client reste actif jusqu'au
moment ou il quitte l'entreprise. En simplifiant, cela veut dire qu'a chaque cycle de
commercialisation ceux qui restent clients vont générer une transaction.. ....
Formalisation des calculs
Le cas général (probabilité de rétention variable dans le temps)
j
La gestion des abonnes a la presse représente bien cette situation et pose un problème
générique de rétention et attrition de clientèle. Le potentiel client et la valeur client
La probabilité de survie à chaque période j est ∏ pk , le produit des
k=0
viennent des individus avec qui la relation persiste. Dans un exemple tiré de la presse probabilités de rester client durant toute les périodes précédentes.
magazine Dwyer présente un situation dans laquelle la probabilité de rester client en
renouvelant l'abonnement augmente légèrement avec le temps et se stabilise après

[ ]
quelques périodes. j k
Le potentiel transactionnel d'un client ∑ ∏ pl durant le nombre de
Exemple numérique k=0 l=0
périodes analysées est la somme des probabilités de survie.
Dwyer donne un exemple numérique qui est repris par beaucoup des auteurs cites en
introduction. On résume et adapte cet exemple afin de pouvoir faire ressortir les La valeur espérée des clients est la somme des profits réalisés (marge marketing
mécanismes essentiels du modèle de rétention et permettre l'estimation de situation moins les coûts de mailing) actualises et multiplies par le nombre de clients restants à

[∏ ]
similaires dans d'autre industrie par calcul décisionnel. Les chiffres sont tires par j k
l'auteur évoque la presse magazine. Il s'agit d'un entreprise qui évalue le potentiel chaque période t 0 m−c ∑ p l /1d k ce qui pour un seul client
transactionnel et la valeur d'une vie client estime a cinq périodes. La marge par client k =0 l =0
retenu est de 40$ dont 20$ représentent les revenus des abonnements et 20$ les

[∏ ]
j k
revenus publicitaires. Le coûts marketing par client retenu est de 28$ et le taux
d'actualisation est de 20%. se réduit à V a j =m−c ∑ p l /1d k .
k =0 l=0

Tableau 1 Calculs de la valeur client quand la probabilité de rétention augmente


avec l'ancienté du client Listing 1 Calculs de la valeur client quand la probabilité de rétention augmente
avec l'ancienté du client
Periode Retention Survie Actifs Profit ProfitA Valeur
(j) (p) (s) (t) (g) (ga) (va)
1. m=40 # revenus
j
gj 2. c=28 # coûts
3. ncust=1000 # no clients
j pk ∏
k =0
pk t0*sj m-c 1d 
j
tj*gaj 4. periods=4 # no. périodes
5. d=.2 # taux d'actualisation
6. min=.5 # taux de rétention min
0.00 1.00 1.00 1000.00 12.00 12.00 12000.00

Michel Calciu – IAE de Lille USTL 4


7. max=.85 # taux de rétention max Le cas où les probabilités de rétention restent constantes
8. k=.9 # elasticite du taux de rétention
9. per=0:periods # périodes
10. ret=ifelse(per==0,1,min+(max-min)*(1-exp(-k*per))) # taux de rétention Particularités du modèles à taux de rétention constant
11. svv=cumprod(ret) # probabilité de survie
12. actv=round(svv*ncust) # clients actifs
13. cpr=rep(m-c,5) # profits par client Pour les situations d'un marche mature on peut supposer que pour un effort marketing
14. dcpr=cpr/(1+d)^per # profit par client actualisé constant de la part de l'entreprise les probabilités d'achat restent constantes d'une
15. cv=actv*dcpr # profit total par période période à une autre. Alors les formules de calcule se simplifient et permettent aussi
16. df=data.frame(Periode=per, Retention=ret, Survie=svv, Actifs=actv, d'estimer facilement les évolutions à long terme. Cela signifie que les probabilités de
Profit=cpr, ProfitA=dcpr, Valeur=cv)
17. df survie peuvent être exprimées comme les puissances de la probabilité constante de
rétention et non plus comme un produit de probabilités variables.

Separation des flux transactionnels et financiers Exemple numérique

Pour faciliter la comparaison entre les différentes situations qu'on va aborder, ils est L'exemple de Dwyer adapte à la situation des probabilité constantes donne les calculs
encore une fois utile de séparer les flux transactionnels des flux financiers. On suivants (voir tableau 2).
introduit ici la notion de transactions actualisées de la vie du client qu'on sépare des
dépenses et récompenses associées. Le nombre espéré et actualise de transactions de Tableau 2 Calculs de la valeur client quand la probabilité de rétention augmente
la vie d'un client est donne par la somme actualise de ces probabilités de survie ou avec l'ancienté du client

[∏ ]
j k
a
T j= ∑ p l /1d k . Ce potentiel transactionnel actualisé rend
Periode Retention Survie Actifs ProfitA
k =0 l =0 Profit (g) Valeur (va)
(j) (p) (s) (t) (ga)
compte simultanément de l'attrition de la clientèle et de la déflation qui affecte des
gains issus de transactions futures. Il exprime la valeur actualisé des gains générés gj
durant plusieurs périodes par une unité monétaire du profit d'une transaction. Dans j p pj t0*sj m-c 1d  j tj*gaj
l'exemple le nombre espéré de transactions d'un client durant la vie estimé à 5
périodes est de 3,12 (voir tableau 1.) et sa version actualise est de 2,43. La valeur
actuelle nette d'un client dont le gain initial aporté était de (40-28)=12€ sera 0.00 1.00 1.00 1000.00 12.00 12.00 12000.00
12€*2,43=29,14€.
1.00 0.80 0.80 800.00 12.00 10.00 8000.00

Listing 2. Calcul du potentiel transactionnel actualisé quand la probabilité de 2.00 0.80 0.64 640.00 12.00 8.33 5333.33
rétention augmente avec l'ancienté du client 3.00 0.80 0.51 512.00 12.00 6.94 3555.56
4.00 0.80 0.41 410.00 12.00 5.79 2372.69
1. # Transactions actualisées j k
2.
3.
ta=cumsum(cumprod(ret)/(1+d)^per)
ta Lifetime ∑
j

k =0
pk 3.36 3362.00
t 0 m−c ∑
k =0
 
p
1d 31261.57

Long terme 1/(1-p) 5.00 5000.00 t0(m-c)(1+d)/(1+d-p) 36000.00

Formalisation de calculs

La probabilité de survie après j périodes est , la probabilité de rester client à la


puissance du nombre de périodes passées

Michel Calciu – IAE de Lille USTL 5


La somme des probabilités de survie donne le potentiel transactionnel d'un client Valeur client à long terme
j j

∑p k
ici ∑ 0.8 k
= 3,36. Le potentiel transactionnel actualise sera
Intérêt de l'analyse à long terme
k=0 k=0
j j
k k
∑ [ p/1d ] c'est à dire ∑ [ 0.8/ 10.2 ] =2,6. Lorsque les probabilités d'achat restent constantes d'une période à l'autre, il est aise de
calculer le potentiel transactionnel et la valeur actuelle du client à long terme. Le long
k =0 k=0
terme indique une situation hypothétique ou la vie du client se prolongerait à l'infini.
L'intérêt de calculer le potentiel transactionnel et la valeur d'un client à long terme
La valeur actuelle nette d'un client sera alors le profit d'une transaction multiplie avec n'est pas en soi d'un très grand intérêt. Le calcul se justifie s'il s'agit d'optimiser les
j k

  p efforts marketing : éviter de dépenser trop dans des programmes de rétention de


le potentiel transactionnel actualise : t 0 m−c ∑ c'est à dire clientèle quand on n'a pas de contraintes budgétaires ; trouver le budget de rétention
k =0 1d optimum quand des contraintes budgétaires existent.
4
k
40−28 ∑ [ 0.8 /10.2] = 12$ x 2,6 = 31,2 $ Potentiel transactionnel et valeur client à long terme
k=0
n
j
Listing 3 Calculs de la valeur client quand la probabilité de rétention reste On peut montrer que le potentiel transactionnel à long terme lim ∑ p est 1/
constante par rapport à l'ancienté du client n ∞ j =0
(1-p), par exemple si la probabilité de rétention (constante) est de 0,8 alors le
potentiel transactionnel d'un client à long terme est de 1/(1-0,8) = 5, c'est à dire que si
1. m=40 # revenus la durée de vie d'un client se prolongerait à l'infinie celui-ci pourra générer 5
2. c=28 # coûts transactions .
3. ncust=1000 # no clients
4. periods=4 # no. périodes
5. d=.2 # taux d'actualisation
6. min=.5 # taux de rétention min
A long terme, le potentiel transactionnel actualisé Ta sera alors
n j

[ p
]
7. max=.85 # taux de rétention max
8. k=.9 # élasticité du taux de rétention lim ∑ = (1+d)/(1+d-p) ou dans l'exemple évoque (1+0,2)/
9.
10.
per=0:periods # périodes
ret=ifelse(per==0,1,.8) # taux de rétention
n ∞ j =0 1d 
11. svv=cumprod(ret) # probabilité de survie (1+0,2-0,8)=3 et la valeur actuelle du client sera de (m-c)*Ta ou (40-28)*3 = 36
12. actv=round(svv*ncust) # clients actifs
13. cpr=rep(m-c,5) # profits par client
14. dcpr=cpr/(1+d)^per # profit par client actualisé Listing 4 Calcul du potentiel transactionnel actualisé quand la probabilité de
15. cv=actv*dcpr # profit total par période rétention reste constante par rapport à l'ancienté du client
16. df=data.frame(Period=per, rétention=ret, Survie=svv, Actifs=actv,
Profit=cpr, ProfitA=dcpr, Valeur=cv)
17. df
18. 1. # Valeur à long terme
19. # Transactions actualisées 2. p=.8
20. ta=cumsum(cumprod(ret)/(1+d)^per) 3. ltv=(m-c)*(1+d)/(1+d-p)
21. ta 4. ltv

Valeurs à long terme et valeurs de la durée de vie du client

Si on se rappelle que le potentiel transactionnel actualise du client était de 2,6


transactions et la valeur actuelle du client était de 31,2$ on voit bien que ces mesures
à long terme doivent être vues comme des limites vers lesquelles tendent les
transactions cumulées et la valeur du client. Elle donnent un moyen de calcul rapide,

Michel Calciu – IAE de Lille USTL 6


qui évite des sommation fastidieuses, et qui permettent d'établir des valeurs Figure 2 - Maximisation de la Valeur client à long terme (sans l'étape
indicatives du potentiel transactionnel et de la valeur des clients et précisent les d'acquisition)
limites dans lesquelles peuvent s'encadrer les dépenses d'acquisition de nouveau
clients.

Optimisation de la valeur actuelle du client à long terme


Probabilité de rétention: Fonction des dépenses par client

Jusqu'ici les calculs se sont appuyés sur des taux de rétention donnes. Il est pourtant
justifie de considérer que l'entreprise peut influencer les taux de rétention par les
actions marketing qu'elle exerce sur sa clientèle Cela implique d'exprimer la
probabilité de rétention d'un client en fonction de l'effort (budget) marketing destine à
ce même client durant chaque période La probabilité de rétention exprime comme
fonction du budget de rétention à une allure croissante avec un taux de croissance qui
se réduit progressivement vers la fin quand la probabilité de rétention atteint son
plafond (voir figure 2). Une simple fonction exponentielle du genre pr = r = plafond *
(1-exp(b * R)) peut être estime par calcul décisionnel en utilisant les estimation
subjective des managers Exemple numérique
Exemple numérique
Trouver le budget qui maximise la valeur actuelle du client
Dans l'exemple avec un budget de rétention R de 23$ par client on arrive à un taux
Trouver le budget de rétention unitaire R optimum se résume à maximiser la valeur rétention de 0,8, ce qui revient à 28$ par client retenu et donne une valeur actuelle du
actuelle du client à long terme max(m-R/r)(1+d)/(1+d-r) ou r = f(R) client à long terme de (40-28)*(1+0,2)/ (1+0,2-0,8)=36$. Si la sensibilité de la
probabilité de rétention au budget de rétention est exprime par la fonction pr=0,81(1-
exp(-0,16*R) on voit que ce résultat est loin d'être optimum.

Dans une telle situation, ou le taux de rétention est plafonné à 0,81 et marque une
croissance accéléré (coefficient d'élasticité de 0,16) on voit que avec un effort de
seulement 7$ par client pour arriver à un taux de rétention de 0,785, ce qui revient à
8,9 $ par client retenu, la valeur à long terme devient ainsi (40-8,9)*(1+0,2)/
(1+0,2-0,785)=90$ ce qui est un optimum.

Listing 5 - Calcul des dépenses de rétention optimums

1. #Valeur optimum à long terme


2. R=1:20
3. b=.16
4. cr=.81
5. r=cr*(1-exp(-b*R))
6. plot(r)
7. g=(m-R/r)
8. Ta = r/(1+d-r)# si periode 0 incluse alors (1+d)/(1+d-r)
9. vr= g*Ta #vr=(m*r-R)/(1+d-r)
10. plot(vr)
11. Ropt=14 # trouvé graphiquement

Michel Calciu – IAE de Lille USTL 7


d'acquisition et de rétention calculées ainsi. Du à sa simplicité et concision le modèle
12. ropt=cr*(1-exp(-b*Ropt)) est bien adapte au calcul décisionnel
13. CLVopt=(m*ropt-Ropt)/(1+d-ropt)

Exemple numérique

Trouver l'équilibre entre l'acquisition et la rétention des Pour poser le problème de Deighton dans une perspective duale d'acquisition et
clients rétention de clientèle, il faut d'abord exprimer la probabilité d'acquisitions en fonction
des dépenses d'acquisition par prospect, par exemple pa = 0,4 (1-exp(-0,1 * A)). Le
plafond de la probabilité d'acquisition et son élasticité doivent être inférieurs par
Probabilités d'acquisition et de rétention: Fonctions des dépenses par prospect/client rapport aux paramètre équivalents de la fonction de la probabilité de rétention Les
valeurs optimises peuvent être trouve graphiquement (voir Figure 3).
Pour avoir l'image complète de la rentabilité de la relation client, on ne peut pas
ignorer l'étape d'acquisition des clients c-a-d la transformation des prospects en Avec un budget de 5$ par prospect on atteint une probabilité de réponse (taux
clients. Blattberg et Deighton (1996) appellent une telle mesure de la rentabilité de la d'acquisition) de 0,16 (a lire sur l'échelle négative) qui donne la meilleur valeur
clientèle, " customer equity " (valeur d'investissement client). En posant le problème d'acquisition par prospect 0,16*40-5 = 1,53$. Cette probabilité d'acquisition de 0,16
dans une perspective prospect [1] ils arrivent à proposer un modèle qui permet entre dans le calcul de la valeur de rétention qui est maximum pour une dépense de
d'optimiser les valeurs d'acquisition et rétention des clients. rétention de 7$ par client qui elle donne une probabilité de rétention de 0,78. La
valeur de rétention maximum obtenue est de 9,62$ par prospect. La valeur totale d'un
prospect est la somme des valeurs d'acquisition et de rétention 1,53$+9,62$ = 11,16$.

[ ]
j
k On déduit d'ici facilement la valeur du client en divisant la valeur du prospect par la
CE j =a m−c a m−cr  ∑ [ r /1a ] et
probabilité d'acquisition 11,16$/0,16 = 68,32$. Le résultat est cohérent avec la valeur
k =1
client de 90$ obtenue pour la situation ou les coûts d'acquisition étaient ignores.

lim CE j =a [ m−c am−cr r /1a−r  ]


n=∞

En suivant le raisonnement applique aux coûts de rétention, les coûts d'acquisition par
client ca peuvent être exprimes comme rapport entre les dépenses par prospect A et la
probabilité d'acquisition a , qui elle est fonction des ces dépenses Exemple numérique

Trouver l'équilibre par optimisation successive

Assurer la rentabilité de la relation client revient alors à une optimisation successive


des valeurs d'acquisition et de rétention des clients.

max [ a m− Aa m r− R/1a – r  ]

où a = f(A) et r = f(R)

La procédure d'optimisation adaptée de Blattberg et Deighton, trouve d'abord les


dépenses par prospect qui maximisent la valeur d'acquisition (a m - A) d'un client et
ensuite utilise le taux d'acquisition (a') qui en résulte pour calculer la valeur de
rétention (a'(m r - R)/(1+d-r)). La valeur client maximum est la somme des valeurs

Michel Calciu – IAE de Lille USTL 8


Figure 3 - Maximisation de la valeur client (avec l'étape d'acquisition)
8. plot(va)
9.
10. Aopt=5 #dépense d'aquisition optimum trouvé graphiquement
11. aopt=ca*(1-exp(-ba*A_))
12. AVopt=aopt*m-Aopt
13.
14. ce=aopt*(m-Aopt/aopt+(m-R/r)*r/(1+d-r))
15. df=data.frame(Budget=A, Acquisition=-10*a, Retention=-10*r,
Val.Acquis=va, Val.Reten=vr*a_, Capital.Cl=ce)
16. matplot(A, df[,2:6], pch=1:5, type="o", col=1:5, xlab="Budget",
ylab="Valeur",ylim=c(-10*max(r),max(ce)))
17. lines(c(0,20),c(0,0))
18. lines(c(Ropt,Ropt),c(-10*ropt,aopt*CLVopt+AVopt), lty="dotted")
19. lines(c(Aopt,Aopt),c(-10*aopt,AVopt), lty="dashed")
20. text(Ropt,0,labels=c("R*"))
21. text(A2opt,0,labels=c("A'"))
22. text(Ropt,-10*ropt,labels=c("(2)taux de rétention (r*)"))
23. text(Aopt,-10*aopt,labels=c("(1) taux d'acquisition (a')"))
24. text(Ropt,CLVopt*aopt,labels=c("(4) Valeur de rétention
(vr=a'(mr-R)/(1+d-r)"))
25. text(Aopt,AVopt,labels=c("(3) Valeur d'acquisition (va=ma-A)"))
26. text(Ropt,aopt*CLVopt+AVopt,labels=c("(5) Valeur client=va*
+vr"))

Desynchronisation des flux financiers dans le modèle de


rétention
Flux synchronises

Dans leurs étude des modèles de rétention Berger et Nasr (1998) mettent un accent
particulier sur la distinction entre les moments ou les différents types de flux gains ou
dépenses interviennent. Dans les exemples précédents on a considère que les gains
(m) et les dépenses promotionnelles (c) intervenaient au même moment dans le cycle
j k
commercial d'où la formule .
a
V =m−c  ∑
k =0
 
p
1d

Desynchronisation des flux et amplitudes des cycles commerciaux


Listing 6 - Trouver le meilleur équilibre entre l'acquisition et la rétention des
clients Une analyse plus attentive de l'alternance des gains et dépenses de l'entreprise durant
la vie d'un client, nous indique l'échelonnage suivant : Si on ignore les coûts
1. # Capital client d'acquisition qui surviennent dans le cycle précédent, le client apporte des gains en
2. # Valeur d'acquisition à long terme
3. A=1:20 début du cycle et l'entreprise fait les dépenses promotionnelles au milieu de cycle
4. ba=.1 pour assurer la répétition de l'achat dans le cycle suivant. Les cycles peuvent être
5. ca=.4 #plafond a égaux, inférieurs ou supérieur à un an. Il peut y avoir des cycles différents pour les
6. a=ca*(1-exp(-ba*A)) gains et pour les dépenses
7. va=a*m-A

Michel Calciu – IAE de Lille USTL 9


Exemples numériques diagrammes et matrices des probabilités de transition. Cela facilite le développement
ou l'adaptation d'une série de formules algébriques et matricielles.
Cette formule généralise et regroupe plusieurs formules suggérées par Berger et Nasr
(1998), pour faire face à des cas varies : Profil d'achat et l'arbre des décisions

j∗cm Avec le temps les clients présentent des profils d'achat qui alternent des périodes
 p ' k j∗cc
 p '  k−1cm/ cc
V a
j
= m∑ - c∑ actives et inactives. L'inactivité prolongée peut conduire à l'élimination de la liste des
k =0 1ak∗cm k =0 1ak −0,5∗cc clients. La constitution progressive de profils d'achat et visible dans la figure 4 :

Figure 4- Arbre des probabilités des décisions et profils d'achats


ou cm et cc sont le nombre de cycles par an pour les gains et pour les dépenses

Tableau 3 - Cas illustrant les particularités des cycles commerciaux et la


désynchronisation entre les flux financiers rentrants (gains) et sortant (dépenses)
dans différentes industries

En regroupant les profils des clients à chaque étape selon des critères de récence, en
séparant d'abord les clients actifs de ce qui ne sont pas actifs et en segmentant ensuite
Dans Berger et Nasr (1998), on trouvera des formules détaillées et des exemples qui les inactifs selon la récence du dernier achat on obtient l'arbre de migration de la
couvrent plusieurs situations de calcul du "Attifets Value" d'un client. clientèle Il constitue une forme représentation clé pour comprendre les mécanismes
de transitions dans ce modèle

Le modèle de migration L'arbre de migration et récurrence du processus de transition

Le mécanisme de rétention/réactivation - un enchaînement d'artefacts L'arbre de migration montre particulièrement bien (voir Figure 5.) le caractère
récurrent du processus de transition auquel est soumis le client, ce qui permet le
Le type de comportement always a share suppose que le client peut ne pas être actif développement de formules algébriques puissantes et flexibles pour le calcul des flux
pendant toute la période analysée mais qu'il il peut se "réactiver" avec une probabilité transactionnels et financiers associes à ce modèle
qui augmente la récence de dernière transaction [3] .

Pour mieux comprendre et exploiter les mécanismes de rétention/réactivation et les


processus stochastiques qui caractérisent ce type de comportement, on utilise un
enchaînement d'artefacts qui passe par l'arbre des décisions, l'arbre des migrations, les

Michel Calciu – IAE de Lille USTL 10


Figure 5 - Arbre de migration de la clientèle

Formule pour un processus de migration censure par rapport à la récence

Le nombre espère de transactions générées par un client après j périodes est la somme
des probabilités de réactivation des transactions initiées par ce même client dans les
périodes précédentes. C'est une expression récurrente qui prend comme point de
départ la première transaction, celle qui donne le statut de client à un prospect: Cette formule est plus générale et plus concise que les formules données par Berger et
Nasr (1998, eq. 10, p.25) et Dwyer (1997, p. 12). Elle intègre une limite de récence,
Figure 6 note R qui permet de censurer le processus de migration à droite et de rendre cette
expression et les autres qui en sont déduites comparables aux formulations
matricielles suggérées par Pfeifer et Caraway (2000). La censure en fonction de la
récence et largement pratique dans l'industrie. Quand un segment ou client dépasse
cette limite de récence, sa probabilité de réponse devient inférieure ou égale à celle
des prospects. En conséquence il n'y a plus de raison que l'individu soit considère
client et par convention sa probabilité de réactivation (pR ) est fixée à zéro.

Exemple numérique

Il s'agit de prévoir le comportement de 1000 clients, connaissant leur probabilité


d'achat en fonction de la récence du dernier achat. La marge marketing m est de 60$
par transaction et les dépenses de promotion par client de 2$. Pour des raison de
simplicité on maintient ces valeurs constantes.

Le tableau montre bien que dans le modèle de migration la probabilité de rétention est
en général faible et que les entreprises comptent moins sur la probabilité de survie
d'un client que sur sa probabilité de réactivation pour accroître les ventes et pour
augmenter la valeur du client.

Tableau 4 Calculs de la valeur client pour les modèle de migration

Michel Calciu – IAE de Lille USTL 11


Péri pRépo pSur pRéa pAc Profit réactivation, car la probabilité de survie s'estompe (0,002) ; en même temps intervient
Actifs Purges Achats Profit Valeur la censure pour les clients qui ont dépasse la limite de récence (R) et ne se sont pas
ode nse vie ctivé hat A
réactives depuis 5 périodes (leur probabilité de réactivation devient trop faible).
0.00 1.00 1.00 0.00 1.00 1000.00 0.00 1000.00 36.00 36.00 36000.00
1.00 0.30 0.30 0.00 0.30 1000.00 0.00 300.00 8.00 7.27 7272.73 Formule pour un processus de migration censure à gauche (la récence de départ)

2.00 0.18 0.09 0.13 0.22 1000.00 0.00 217.37 4.69 3.88 3880.05
La notation tj exprime le processus de migration de la clientèle qui prend comme
3.00 0.11 0.03 0.14 0.17 1000.00 0.00 166.62 2.66 2.00 2002.11 point de départ un nombre de clients manifestes, c'est-a-dire des clients qui viennent
de commander ou autrement dit des clients pour qui la récence de la dernière
4.00 0.07 0.01 0.12 0.13 524.67 475.33 130.73 3.13 2.14 1122.38
commande est égale à un. Le nombre de clients au départ ou le nombre de
5.00 0.00 0.00 0.08 0.08 382.07 142.60 84.41 1.85 1.15 438.79 transactions génératrices peut être note . Dans une base de données clients on
maintient un nombre important de clients latents ou temporairement inactifs dont la
Lifetime 1.90 1899.14 50716.05 récence de la dernière commande est supérieure à un. Le fait de compter sur le
Long terme 2.10 2103.80 54478.78 potentiel transactionnel de ces clients justifie l'élargissement du calcul du potentiel
transactionnel à ces clients de récence supérieure à un.

Listing 7 - Calcul du tableux de la valeur client pour le modèle de migration

1. library(ltvmigr)
2. m=40
3. c=4
4. d=.1
5. periods=5
6. R=10 # chosen to give a rebuy probability close to maxcr
7. nc=1000 # no clients
8. pglim=4 # purge limit
9. maxcr=.30
10. kr=1 #not realy used
11. kx=0.5
12. P=matrec(R,pglim, maxcr, kr, kx)
13. cat("\n\nCustomer Transition Probabilites Matrix\n\n\n")
14. P
15. cat("\n\nTable of Customer Lifetime Value
Calculations\n\n\n")
16. clvtabm(m,c,d,nc,periods,P,rec=1, total=TRUE, lt=TRUE)

Les flux transactionnels de récence supérieure à un (tr,j , r>1) sont exprimes en


Commentaires fonction de flux transactionnels de récence un. Les notations tj et sont équivalentes.
C'est une généralisation de la formule précédente qui accepte des processus de
migration censures à gauche.
Le calcul de la probabilité d'achat en colonne 5 utilise la formule évoquée pour
illustrer ce processus récurrent de rétention et réactivation : t1 = [1*0,3] = 0,300, t2 =
[t1*0,3 + t0*(1-0,3)*0,182] = 0,217 etc. Cela signifie qu'une transaction initiale t0=1 Exemple numérique
génère 0,300 transactions après une période et 0,217 transactions après deux périodes
En deuxième période les 0,217 transactions proviennent des deux sources évoquées : Un client de récence deux aura par exemple au départ une probabilité d'achat
t1*p1 = 0,9 exprime la rétention ou la survie et t0*(1-p1)*p2 = 1*(1-0,3) *0,182 = (colonne 5 du tableau 4) égale à zéro, en période deux une probabilité de se réactiver
0,127 exprime la réactivation des clients inactifs pendant la première période En de 0,18, en période trois une probabilité de 0,145, qui à son tour sera compose de la
cinquième période le processus repose essentiellement sur la probabilité de probabilité de la probabilité de survie (rester actif) de 0,055=0,18*0,3 et de la

Michel Calciu – IAE de Lille USTL 12


probabilité de réactivation à partir de la récence trois 0,09=0,92*0,11. après cinq A partir du nombre de transactions effectuées pendant chaque période faisant suite au lancement
périodes (numérotes de 0 à 4) la probabilité d'achat ou le nombre espéré de d'un programme de marketing relationnel, il est possible de calculer la profitabilité du client pour
transactions générées t2,4 devient 0,062 compare à t1,4 =0,131 pour un client qui à une durée prévue de la relation, c'est à dire la Lifetime Value. La séparation des flux financiers
démarré le processus étant actif (récence 1). Le nombre total de transactions générées d'entrée (gains) et de sortie (dépenses promotionnelles) dans le modèle de migration s'impose
T2,4 durant les 5 périodes devient 0,5 compare à T1,4 =1,815. Ainsi, un client de non seulement pour marquer la desynchronisation entre les deux flux (sujet central du travail de
récence deux peut encore apporter durant les cinq périodes suivantes une transaction Berger et Nasr) mais aussi pour refléter la base transactionnelle différente qui s'applique aux
sur deux quand un client actif peut encore apporter 2 transactions Cette formulation deux flux.
algébrique des flux transactionnels dans un modèle de migration est équivalente avec
la formule matricielle suggérée par Pfeifer et Carraway et assure ainsi un lien direct Valeur client - variantes de calcul - quelques limites
avec l'approche matricielle présenté plus loin.
Par définition, le modèle de migration considère comme clients tous les individus
ayant déjà commande et n'ayant pas encore dépassé la limite de récence préétablie.
Cela laisse supposer que les clients ainsi définis sont éligibles pour les actions
promotionnelles que mène l'entreprise durant plusieurs périodes même s'ils n'ont pas
été actifs dans la période qui précède ces actions. La marge marketing vient des
clients actifs et les coûts promotionnels sont engages par défaut pour tous les clients
Tableau 5 Calculs de la valeur de clients en récence 2 pour les modèles de éligibles et pas seulement pour les clients actifs comme semble le suggérer la formule
migration développée par Berger et Nasr[4]. En éliminant l'aspect desynchronisation des
moments des gains et des dépenses, leur formule se résume à
Péri pRép pSur pRéa pAch
Actifs Purges Achats Profit ProfitA Valeur
ode onse vie ctivé at j
t 1, k
0.00 1.00 0.00 0.00 0.00 1000.00 0.00 0.00 -4.00 -4.00 -4000.00 V 1, j =m−c ∑
k =0 1d k
1.00 0.30 0.18 0.00 0.18 1000.00 0.00 181.96 3.28 2.98 2980.33
2.00 0.18 0.05 0.09 0.14 1000.00 0.00 144.87 1.79 1.48 1483.30 . Elle reflète un cas très particulier ou les coûts de promotion s'appliquent uniquement aux clients
3.00 0.11 0.02 0.10 0.12 320.96 679.04 115.35 3.33 2.50 2502.09 actifs, ce qui est une réduction par rapport au calcul présente par Dwyer, que les auteurs ont
suivi.
4.00 0.07 0.00 0.06 0.06 320.96 0.00 64.56 1.30 0.89 465.52
5.00 0.00 0.00 0.05 0.05 234.47 86.49 49.42 1.04 0.65 246.67 Limites des calculs adaptés du modèle de rétention

Lifetime 0.56 556.16 3677.92


Pour des raison de clarté on élimine les calcul d'actualisation en posant le coefficient
Longterm 0.68 675.23 5690.04 j
d'actualisation égal à zéro. La formule devient alors (m-c) ∑ t r ,k ou encore (m-
k =0
c)Tr,k. La valeur client qui en résulte (40$-4$)*1,815 = 65,34$, est largement
Listing 8 Calculs de la valeur de clients en récence 2 (ou supérieure) pour les
supérieure à la valeur du cas générale présente dans le tableau 4. La situation à
modèles de migration
laquelle se limitent Berger et Nasr est très spécifique. Rares sont en effet les
industries pouvant compter sur la réactivation spontanée des clients sans avoir à faire
des efforts marketing pour stimuler ce processus.
17. recency=2
18. cat("\n\nTable of Customer Lifetime Value
Calculations\n\n\n") Calculs propres au modèle de migration standard
19. clvtabm(m,c,d,nc,periods,P,rec=recency, total=TRUE, lt=TRUE)

Les entreprises dépensent pour maintenir le processus de rétention et réactivation


décrit par l'arbre de migration. La formule simplifiée devient alors
Séparation des flux financiers pour le calcul de la valeur du client

Michel Calciu – IAE de Lille USTL 13


j

∑ m t k −c  ou mT j –cj . Applique au données du tableau 4, on


k =0
obtient la valeur d'un client après 5 périodes 40$ * 1,815 - 4$*5 = 52,4$, après 10
périodes

La censure s'impose pour des raisons économiques car, si on continue à engager des
actions promotionnelles envers tous les membres de la cohorte, les coûts par client
actif augmentent jusqu'au point ou la marge, même si elle reste constante, ne suffit
plus pour couvrir ces coûts (voir colonne 9).

Avec la censure la valeur client ce voit un peu modifie pour devenir

j j

∑ [m t k−c 1−q k ] ou m T k −c R ∑ c 1−qk  car quand la


k =0 k =R
période de grâce j arrive à la limite R=4 on élimine (purge) les clients qui ne se
réactivent pas, elle devient devient 40$*1,815-4$*4-4$*(1-0,475)=54,5$. ou : V r , j = Valeur d'un client de récence r ; t r , j = transactions générées
dans période j par un client de récence r ; m = marge nette sur une transaction ; c =
La valeur client pour le modèle de migration standard
coût d'un mailing ; pl = probabilité de réponse d'un segment de récence l ; R = limite
de récence au-delà de laquelle un client est exclu de la base de données; d = taux
d'actualisation ; qk = la probabilité cumule qu'un client soit éliminé (purgé) après k
La formule de la valeur client proposée ici admet le calcul de la valeur restante pour périodes.
des clients inactifs au moment de l'évaluation (censure à gauche), prend en compte les
coûts promotionnels qui s'étalent par défaut tout au long de la vie du client et intègre
la mecanique d'élimination des clients. Ce calcul cumule les gains actualises apportes par les transactions générés durant
toute la période de projection en déduisant systématiquement les coûts de mailing
vers les clients. Il suppose que les mailings seront envoyés uniquement aux clients
maintenus dans la base politique marketing standard dans un modèle de migration.

modélisation du processus d'élimination des clients

La formule intègre aussi la modélisation du processus d'élimination des clients qui


dépassent la limite de récence. L'élimination intervient quand il y a un succession de
non-réponses (non-achat) pendant un nombre de périodes égal à la limite de récence.

Pour un client actif (récence 1) la probabilité d'être éliminé intervient après R


périodes et correspond à chaque période k a la probabilité de générer une transaction
après k-R+1 périodes qui multiplie la probabilité de la succession des non réponses.
Dans l'exemple du tableau 4, un client actif peut être éliminé à partir de la période 4
(la limite de récence), avec un probabilité de 0,475 qui est le produit de la probabilité
de générer une transaction t1,4-4=1 et de la probabilité de la succession des non-
réponses (1-0,3)(1-0,18)(1-0,11)(1-0,06)=0,475.

Michel Calciu – IAE de Lille USTL 14


A la première étape on éliminé les clients qui n'arrivent plus à se réactiver avec la
probabilité de la succession de non-réponses entre la récence du client et la limite de
Pour un client inactif (r > 1) la probabilité d'être éliminé intervient en deux étapes. La récence. Un client de récence 3 à une probabilité d'être éliminé à la première étape de
première étape après R-r+1 périodes. Pour un client de récence 3 la première (1-0,11)(1-0,06)=0,83.
élimination intervient après 2 périodes (4-3+1). La deuxième étape commence après
R+1 périodes (ici 4+1=5).
La deuxième étape commence avec la réactivation des clients d'une cohorte de
récence donnée et continue jusqu'à l'élimination de tous les clients de cette cohorte.

La probabilité d'être éliminé à chaque période k est le produit de la probabilité de


générer une transaction après k-R+1 périodes qui multiplie la probabilité de la
succession des non réponses. Un client de récence 3 en période 5 aura une probabilité
d'être éliminé de 0,0524 = 0,11*0,475. C'est le produit de la probabilité de générer
une transaction t3,5-4=0,11 et de la probabilité de la succession des non-réponses
0,475.

Approche matricielle: Présentation


Introduction

L'approche matricielle suggérée par Pfeifer et Carraway (2000) s'applique aussi bien au modèle
de rétention qu'au modèle de migration. Si les formulations algébriques sont suffisamment
simples et directes dans le cas de modèles de rétention, pour le modèle de migration l'approche
matricielle présente une alternative flexible et élégante par rapport aux formules algébriques.
Elle attribue au transitions des clients d'un état à un autre les proprièté d'un processus markovien

Michel Calciu – IAE de Lille USTL 15


et s'appuye sur la théorie des chaînes de Markov pour calculer le potentiel transactionnel et la
valeur des clients. Si on se limite à une situation simple ou les états dans lesquels peuvent se 1. library(ltvmigr)
2. cat("Examples from Dwyer (1989), adapted by Calciu and
trouver les clients correspondent à la récence du dernièr achat, une regle simple pour dériver le Salerno (2002)\n")
diagrame des transitions et ensuite la matrice des probabilités de transitions peut être formulé: un 3. m=40
client qui se trouve dans un état de récence (t) donné au moment t, à la période suivante t+1 peut 4. c=4
acheter et passer en récence 1 ou ne pas acheter et passer au niveau de récence inférieur i+1 5. d=.1
6. periods=5
(voir figure 7). 7. nc=1000 # no clients
8. pglim=4 # purge limit
9. maxcr=.30
10. kx=0.5
Figure 7 11. cat("\n\n\nBuilds ther Transition Probabilities Matrix for
the customer migration model depending on Recency\n")
12. P=matrec(pglim, maxcr, kx)
R1 <------Rt-------->Rt+1 13. P

La probabilité d'achat diminue avec le niveau de récence jusqu'à un point ou elle arrive à un
niveau inférieur ou égale à celle des prospects. A ce niveau de récence conventionellement le
Matrice des probabilités de transition et ses derives
client perd sont statut de client et devient non client avec une probabilité d'achat considéré nulle.

Tableau 7 - Matrice de probabilités de transition et ses transformations


Figure 8

Tableau 6 - Matrice des probabilités de transition des clients avec la récence Dans le tableau 7a la matrice P des probabilités de transition résume le processus de migration.
Elle exprime les probabilités de transiter d'une période à une autre, d'un état de client de récence
donné soit vers l'état de client de récence un (client qui achète) soit vers un état de client de
r1 r2 r3 r4 r5
récence incrémenté de un (client qui n'achète pas). Chaque cellule de cette matrice indique la
r1 0.3 0.7 0.0 0.0 0.0 part des clients d'une récence donnée par la ligne qui après une période se retrouveront dans un
état de récence indiqué par la colonne. Selon la théorie des chaînes de Markov la même matrice
r2 0.182 0.0 0.818 0.0 0.0 à la puissance 4 (tableau 7b) indique les probabilités de transition après 4 périodes. Si après une
r3 0.11 0.0 0.0 0.89 0.0 période les possibilités de transitions pour un état de récence sont limitées à deux états : récence
un et récence incrémenté du un, après deux périodes les transitions sont limitées à trois états et
r4 0.067 0.0 0.0 0.0 0.933 après quatre périodes les cinq états deviennent accessibles. Chaque cellule de la matrice levée à
r5 0.0 0.0 0.0 0.0 1.0 une puissance indique la part des clients d'une récence donnée par la ligne qui après un nombre
de périodes égale à cette puissance se retrouvent dans un état de récence indiqué par la colonne.
La somme des matrices P à la puissance incrémenté de 0 à un nombre donné (par exemple
4 ,tableau 7 c) représente l'accumulation de ces probabilités durant ces périodes. Chaque cellule
Listing 9. - Calcul et construction de la matrice des probabilités de transition de cette matrice indique la somme des probabilités de ce retrouver après ces périodes dans une
état de récence donné par la colonne à partir d'un état de récence initial donné par la ligne. En

Michel Calciu – IAE de Lille USTL 16


termes transactionnels, chaque cellulle exprine le nombre espéré de transactions d'une récence
donnée par la colonne générés après ces périodes par un client qui initialement se trouvait dans
un état de récence indiqué par la ligne. I faut remarquer que la période de départ est considérée
égale à zéro et que la matrice P à la puissance zéro correspond à la matrice identité. On
démontre que la somme des matrices de probabilité P à puissance incrémentée à long terme tend
vers l'inverse de la différence des matrices identité et P (tableau 7 d). Chaque cellule de cette
matrice indique le nombre espéré à long term de transactions d'une récence donnée par la
colonne générés par un client qui initialement se trouvait dans un état de récence indiqué par la Le vecteur t1 exprime le nombre espéré de transactions générées après une période par des
ligne. clients de récence différente et le vecteur t4 exprime les transactions générées après 4 périodes.
Dans l'exemple donne un client de récence deux peut générer 0,182 transactions après une
Listing 10 Calculs des transformations de matrices de transitions et transitions période et 0,117 après 4 périodes. Le potentiel transactionnel après 4 périodes est contenu dans
cumulées pour la vie client et à long terme le vecteur T4 et le potentiel transactionnel à long terme est contenu dans le vecteur Tn. Dans
l'exemple donne un client de récence deux peut générer 0,507 transactions durant les quatre
périodes suivantes et 0,674 transactions à long terme. La somme des probabilités de transition
16. cat("\n\n\nCustomer Transition Probabilities after ",
durant plusieurs périodes peut aussi être interprétée comme le nombre espéré de périodes passes
periods, " obtained as Powers Transition Probabilities dans un état avant de transiter dans l'état suivant, le dernier état étant l'état absorbant. La somme
Matrix (P)\n") d'une ligne de la matrice des sommes de probabilités à long terme donne pour l'état représente
17. mpow(P,periods) par cette ligne le temps espéré d'absorption. Dans l'exemple un client qui se trouve en récence un
18. cat("\n\n\nSums successive Powers of the Customer Transition
Probabilities Matrix (P), its first column contains the
à un temps espéré d'absorption dans l'état " ex-client " de 5,85 périodes.
cumulative transactions of a customer (in terms of a cohort
member) during ", periods," succesive periods that that La valeur du client
corresponds to the indicated power.\n")
19. summpow(P,periods)
20. cat"\n\n\nLong term (undiscounted) Customer Transactions La valeur pour la durée de vie anticipée d'un client est calculée facilement en multipliant la
Potenial or long term sum of powers of the transition
matrix\n") somme des matrices de probabilité actualisée avec le vecteur des récompenses R. En considérant
21. ltmx(P) les gains et les dépenses promotionnelles constantes, le vecteur R est de la forme [m-c, -c, -c, ..],
c'est-a-dire que pour les clients de récence un, en plus des dépenses promotionnelles il y a des
gains car ils achètent, pour les clients de récence supérieure à un il n'y a que des dépenses.

Flux transactionnels

Afin d'obtenir une stricte équivalence avec les formules algébriques présentées auparavant et
résumées dans le tableau 8., on multiplie les matrices du tableau 7 par le vecteur note 11 , qui à
la forme [1, 0, 0, . . .] , pour extraire le vecteur du nombre de transactions espéré. Il est formé des
éléments de la première colonne de la matrice de probabilités de transitions et de ses j
k k
transformations. T j =∑ [ P /1a  ]
k =0
Tableau 8 - Le vecteur du nombre de transactions espérées dans la matrice des
probabilités et ses transformations j
k k
V j = I m∑ [ P /1a ] g
k =1

Listing 11 Calcul de la Valeur Client après plusieurs périodes (migration)

Michel Calciu – IAE de Lille USTL 17


Exemple numérique
22. cat("\n\n\nDeflated Transaction Potential Matrix after ",
periods, " periods (P)\n")
23. Tj=summpow(P/(1+d),periods) Dans l'exemple utilise la fonction de la probabilité d'achat par rapport à la récence était
24. R=c(m-c,rep(-c,nrow(P)-1)) 0,3exp(-0,5*récence-1), ou 0,3 est le plafond (pp) de la fonction atteint quand la récence est
25. cat("\n\n\nCustomer Value after ", periods, " periods\n") égale à un et pour une dépense de 4$ par client en mailings. Si on dépense plus pour les mailings
26. Tj %*% R
ce plafond peut croître jusqu'à une limite de 0,5 et si on dépense moins il peut tomber jusqu'à 0.
Le plafond de la probabilité d'achat exprime comme fonction des dépenses par client , est pp =
0,3 (1-exp(-0,5 * C)). Quand le budget est de 4$ le plafond est de 0,3 comme dans l'exemple de
La valeur du client à long terme Dwyer, quand le budget est de 1$ le plafond devient 0,1 et quand le budget monte vers 10$ le
plafond approche la limite de 0,5. Dans ces conditions, trouver le coût par client optimum se
L'application de la formule de calcul de la valeur client à l'exemple de Dwyer montre qu'après 5 résume à maximiser la valeur actuelle d'un client de récence un à long terme : max V1 = 11 ou
périodes (k=0 à 4) qui est la durée de vie d'un client dans l'industrie considère un client de R' = [(m-C/pp), - C/ pp, - C/ pp, - C/ pp, 0] et p11 = pp= f(C), et P = f(pp, récence). Les dépenses
récence un a une valeur de 48,97$, un client de récence deux a une valeur de 2,52$ et que les marketing c sont C/pp ; pp est fonction de dépenses par client C et la probabilité d'achat dépend
clients de récence supérieure à deux ont des valeurs négatives. Les calculs à long terme de plafond pp et de la récence.
confirment ces résultats.
procédure d'optimisation

En appliquant cette procédure d'optimisation on montre que pour l'exemple analyse il est
optimum de dépenser 3$ par client et non 4$. La solution graphique est visible en figure 9. Les
détails des calculs sont donnes en annexe 2.

V j = I m[  I −P /1a  − I ] g
−1

Listing 12 Calcult de la Valeur Client à long terme (migration)

27. cat("\n\n\nCustomer Lifetime Value \n")


28. ltmx(P/(1+d)) %*% R[1:(length(R)-1)]

Approche matricielle : Optimisation de la valeur du client


Introduction

En poursuivant la même logique que pour les modèles de rétention il est possible de considérer
la fonction qui représente la probabilité d'achat par rapport à la récence comme étant elle-même
fonction de l'effort marketing. Pour éviter la complexité, supposons que par le dosage du nombre
de mailings envoyés aux clients il est possible de modifier le plafond de la probabilité d'achat et
que les autres paramètres restent inchangés.

Michel Calciu – IAE de Lille USTL 18


Figure 9 - Maximisation de la Valeur client à long terme pour le modèle de
11. fCEoptm(m, d, ca, ba,pglim,maxcr,kr,kx, rec=1)
migration 12. graphCEoptm(m, d, ca, ba,pglim,maxcr,kr,kx,X, rec=1)

graphCEoptm(m, d, ca, ba,pglim,maxcr,kr,kx,X, rec=1)

Optimisation avec les processus de décision markoviens

Cette logique s'intéresse au meilleur rapport entre efforts et bénéfices à long terme. Pour le
modèle de migration, d'autres logiques sont envisageables avec des horizons temporels plus
courts. Pfeifer et Carraway (2000) présentent des procédures d'optimisation extraites de la riche
littérature sur les processus de décision markoviens. Birtran et Mondschein (1996) formalisent le
problème du marketing direct (qui intègre un modèle particulier de migration) comme un
problème de programmation dynamique et développent des heuristiques d'optimisation adaptées
à ce problème de recherche opérationnelle. Ces démarches utilisent la stratification RFM et font
varier les taux de couverture et l'intensité des campagnes de publipostage à adresser à ces strates
afin de maximiser la valeur des clients.

Mailing optimise sans contraintes budgétaire

On montre qu'en absence de contraintes budgétaires la politique optimale est d'envoyer des
mailings à tous les segments de clientèle ayant une Lifetime Value positive. Puisque pour des
probabilités de réponse monotones décroissantes la valeur des clients est aussi décroissante,
quand les marges et les coûts de mailing sont constants, on peut calculer un taux de réponse
d'équilibre qui correspond à une Lifetime Value égale à zéro. Utilisant cette propriété et le taux
d'équilibre, il est possible de calculer un indice de profitabilité à partir des taux de réponse de
Il est aise d'étendre ce raisonnement à l'acquisition de nouveaux clients et de trouver un équilibre chaque strate/segment de clientèle.
optimum entre les budgets d'acquisition et de rétention des clients (voir le tableau en annexe 1).
On adapte ainsi la logique d'optimisation de Blattberg et Deighton (1996) à des situations de
migration de clientèle. Conclusions
Systematisation des calculs
Listing 13 - Trouver les dépenses optimums d'acquisition et de rétention
(migration) Les formules de calcul de la valeur économique du client ou lifetime value
développées dans cet article s'organisent de manière systématique et progressive
selon une double taxonomie : celle des modèles de comportement relationnel des
1. library(ltvmigr) clients et celle des méthodes de calcul. La dichotomie modèle de rétention/modèle de
2. m=50 #marge migration repose sur des fondements théoriques solides en comportement du
3. d=.1 # taux d'actualisation consommateur soulignes par les études précédentes.
4. ca=.2
5. ba=.14
6. pglim=4 # lim de récence d'un client En plus des caractéristiques comportementales évoquées, l'analyse comparative des
7. maxcr=.5 # plafond de probabilité fonction de l'effort
8. kr=.4 # sensibilité du plafond de proba en fonction de
deux catégories de modèles de la relation client a aussi mis en évidence leurs
l'effort substrats économiques. Ainsi, dans un modèle de migration la probabilité de rétention
9. kx=.5 # sensibilité de la proba avec la récence est en général faible et les entreprises comptent moins sur la probabilité de survie d'un
10. X=1:9 client que sur sa probabilité de réactivation pour accroître les ventes et pour
augmenter la valeur du client.

Michel Calciu – IAE de Lille USTL 19


modélisation progressive
REFERENCES
Les deux méthodes de calcul, algébrique et matricielle, sont appliquées aux deux modèles de
REFERENCES
comportement relationnel, par étapes progressives. A l'occasion de ces étapes il y a séparation 1)
du niveau physique, quantitatif des flux transactionnels qui est aborde de manière probabiliste,
2) du niveau valeur monétaire des flux financiers dont on évalue les effets temporels et 3) du Berger P.D. et N.I. Nasr (1998) "Customer Lifetime Value: Marketing Models and
niveau décisionnel des calculs d'optimisation. Les calculs deviennent ainsi comparables et leur Applications." Journal of Interactive Marketing, 12, 1 (Winter), 17-30.
formalisation pour résoudre des problèmes de complexité croissante est plus facile. Birtran S, et S. Mondschein, (1996) "Mailing Decision in the Catalogue Industry", Management
Science, Vol.42, No.9, September, 1364-1381.
Nouvelles formules algébriques Bitran S. et S. Mondschein (1997) "A Comparative Analysis of Decision Making procedures in
the Catalog Sales Industry," European Management Journal, 15, 2 (April), 105-116.
Blattberg, R.C. et J. Deighton, (1996) "Manage marketing by the customer equity test", Harvard
Les formules algébriques développes pour le modèle de migration représentent une alternative Business Review, 74, 4 (July-August), 136-144.
aux formulations matricielles. Elles permettent de traiter de manière explicite la Blattberg R., G. Getz et J. Thomas (2000) Customer Equity : Building and Managing
desynchronisation des flux financiers et la censure des processus de migration par rapport à la Relationships As Valuable Assets, Harvard Business School Press, Boston.
récence. Le calcul des éliminations de la liste des clients formalise la censure à droite du Dwyer F.R. (1989) "Customer Lifetime Valuation to Support Marketing Decision Making",
processus de migration ; le calcul des probabilités de générer des transactions pour les clients Journal of Direct Marketing, 9, 1, 79-84.
inactifs formalisent la censure à gauche. Ces aspects sont seulement traites implicitement dans Jackson, B.B. (1985), Winning and Keeping Industrial Customers: The Dynamics of Customer
l'approche matricielle de Pfeifer et Carrway (2000) et sont absents de l'approche algébrique Relationships. Lexington, MA: Lexington Books.
suggérée par Berger et Nasr (1998). Jackson, D.R. (1996) "Achieving Strategic Competitive Advantage Through the Application of
the Long Term Customer Value Concept", Journal of Database Marketing, 4, 2, 174-186.
Adaptation d'une procédure d'optimisation matricielle Mulhern, F.J. (1999) Customer Profitability Analysis: Measurement, Concentration, and
Research Directions, Journal of Interactive Marketing, 13, 1, 25-40.
Les calculs d'optimisation développes pour les modèles de rétention ainsi que la procédure Pfeifer Ph. E. et Carraway R.L. (2000) Modeling customer relationships as Markov Chains,
proposée par Blattberg et Deighton pour la répartition équilibrée des efforts marketing entre Journal of Interactive Marketing, 14, 2, 43-55.
l'acquisition et rétention des clients ont aussi été adaptés au modèle de migration en utilisant les Pfeifer P.E. (2005) The optimal ratio of acquisition and retention costs, Journal of Targeting,
propriétés des matrices de transition à long terme. Measurement and Analysis for Marketing, 13, 2, 179–188
Pfeifer P.K, Haskins M.E. Conroy R.M (2005) Customer Lifetime Value, Customer Profitability,
and the Treatment of Acquisition Spending, Journal of Managerial Issues,17, 1,11-25
Conditions d'application Reinartz W. J et Kumar V. (2000) On the Profitability of Long-Life Customers in a
Noncontractual Setting: An Empirical Investigation and Implications for Marketing, Journal of
Comme l'indique Mulhern (1999) les modèles de LTV ne sont pas applicables à toutes les Marketing, 64, October, 17-35.
situations. Ils exigent que les clients aient des relations persistantes avec les entreprises et que les
flux financiers (gains et dépenses) puissent être prévus avec précision à un niveau individuel.
Lorsque ces conditions ne sont pas satisfaites, l'analyse historique de la profitabilité peut
remplacer les calculs de LTV. Pourtant, sous les impulsions combinées et interdépendantes des Notes
progrès de la technologie de l'information et de l'adoption d'un marketing centre client, les
situations pour lesquelles les modèles de LTV sont applicables deviennent dominantes. Cela [1] Le modèle de Blattberg et Deighton s'applique uniquement aux situations ou
incite à poursuivre la systématisation et de l'unification des modèles d'évaluation et de gestion l'acquisition d'un client nouveau arrive est profitable, ce qui est une situation assez
dynamique des clientèles. particuliere. Dans beaucoup d'industries, c'est aussi le cas du marketing direct et de la
vente par correspondance, l'acquisition de nouveau clients est un coût qui doit être
couvert par les revenus en provenance des clients existants.

[2] Comme en général pour la récence on adopte une notation inverse c'est a dire le
dernier cycle commercial a la récence un, l'avant dernier a la récence deux etc. on
peut dire qu'il y a une corrélation négative entre la récence et le taux de réponse des
clients.

Michel Calciu – IAE de Lille USTL 20


[3] La probabilité d'achat par rapport a la récence du dernier achat est exprime par un Calculs matriciels d'optimisation de la valeur du client a long terme
fonction exponentielle suivante p = min +(max-min)*exp(-b * récence), si récence
>=1. récence zéro signifie client actuelle donc probabilité d'achat = 1.

[4] Formule (11) de la valeur client Berger et Nasr (1998) p.26

GC=contribution marketing brute par client, M = coûts promotionnels par client , Ci


= no. clients en période i, d= taux d'actualisation, CLV = Lifetime Value du client

Annexes
Formules de calcul de la valeur client

a compléter ..

Michel Calciu – IAE de Lille USTL 21

Vous aimerez peut-être aussi