Il existe deux grandes méthodes lorsque l’on souhaite mettre en place un score de santé pour son logiciel SaaS. Alors que l’approche historique - basée sur des règles de gestion - présente plusieurs limites, les modèles plus récents basés sur l’IA sont plus fiables et nettement plus rapides à déployer. On vous explique tout.
Les challenges liés à la mise en place d’un score de santé “classique”
Les scores de santé de première génération fonctionnent avec des règles métier, c’est-à-dire que c’est à l’utilisateur de définir les conditions qui font qu’un client est en “bonne” ou en “mauvaise” santé. Ce sont des règles du type “si j’ai au moins N utilisateurs qui utilisent la fonctionnalité X au cours des Y jours ayant suivi [étape A] ET que [nouvelle condition], ALORS …”.
Cela peut éventuellement fonctionner pour certaines sociétés qui sont très matures quant à la mesure de la santé de leurs comptes, mais pour la plupart des éditeurs SaaS, cela pose au moins 3 problèmes :
- D’abord on vous demande de définir les règles qui permettent de prédire le churn. Sauf que, la plupart du temps vous n’en savez rien ! Tout simplement parce que vous n’avez pas une armée de Data-Scientists qui ont analysé pour vous les données client qui ont précédé vos churns. Autrement dit, vous avez sans doute vos a priori métiers, mais aucune Data fiable pour confirmer vos hypothèses. Or, comme le dit très justement W. Edwards Deming, “sans données, on est juste une personne de plus avec une opinion”.
- Chaque règle de gestion fait appel à un ensemble réduit de données, puisque par définition c’est vous qui définissez les critères à prendre en compte. Les scores de santé traditionnels se basent donc généralement sur quelques métriques que vous pensez importantes… Et laisse les autres critères de côté. Vous pouvez donc passer à côté de critères essentiels pendant de nombreux mois. Jusqu’au jour où un client qui était supposé être en bonne santé vous envoie sa lettre de résiliation. A ce moment-là, vous analyserez son comportement plus en détail et constaterez effectivement un comportement anormal… mais qui n’était pas prévu dans votre score de santé. La plupart de ceux qui ont mis en place ce type de score vous diront que plusieurs itérations sont nécessaires avant d’avoir un score de santé à peu près fiable. La question est : combien de churn aurez-vous dans l’intervalle ?
- Enfin, ces scores s’appuient sur des critères figés. Pourtant votre Produit s'enrichit, peut-être que votre typologie de clients et votre offre commerciale évoluent. Bref, chaque changement doit être répercuté manuellement sur votre score… au risque sinon d’avoir un modèle rapidement obsolète. Il faut donc prévoir des ressources pour maintenir et faire évoluer ce type de score de santé. Des profils avec une appétence technique peuvent être nécessaires, les scores s’apparentant parfois à de véritables requêtes SQL !
📌 Télécharger | "Le guide ultime pour mettre en place un Score de Santé".
Les réponses apportées par l’Intelligence Artificielle
Une IA comme celle de Skalin permet de répondre efficacement à tous ces challenges en s’appuyant sur 3 principes fondamentaux :
#1. Analyse comparative des clients, sans a priori
Notre IA analyse en permanence plus de 70 KPIs sur l’ensemble de votre portefeuille pour faire émerger les clients à risque et détecter ceux à potentiel.
Ces indicateurs sont répartis en 4 grandes catégories :
- Les KPIs liés aux interactions : est-ce que vous échangez régulièrement avec votre client ? quelle est votre "empreinte" sur le compte (êtes vous plutôt dépendant d'une seule personne ou avez-vous plusieurs points d'entrée, êtes-vous en maîtrise du décisionnaire...) ? quel est le niveau d'engagement de vos contacts (taux de réponse aux emails, présence du décisionnaire aux QBR...). En complément, l'analyse de sentiment permet d'extraire l'état d'esprit général de vos interlocuteurs grâce à l'étude des emails/tickets échangés, et ce dans de nombreuses langues. Ainsi, un contact qui se passe mal sera automatiquement détecté. Et si cela arrive plus souvent chez ce client que chez les autres, son score de santé en sera impacté.
- Les données usages : quelle est la fréquence de connexion de votre client ? la part d'utilisateurs actifs ? comment évolue leur rythme de connexion ? combien de temps passent-ils sur votre plateforme ? ont-ils recours aux fonctionnalités clé de votre outils ou se contentent-ils d'un usage superficiel ?
- Les informations liées au contrat : est-ce que votre client vous est fidèle depuis longtemps ? son contrat a-t-il tendance à prendre de la valeur ou à se contracter ? consomme-il des services additionnels ? l'échéance du contrat est-elle proche ou lointaine ? quel est son niveau de santé financière ?
- Le “CSM Pulse”, c’est-à-dire l’avis du CSM lui-même sur ses comptes.
Ces indicateurs sont calculés pour chaque segment de client, ce qui permet d’identifier automatiquement les comptes qui sont faibles sur une métrique, par rapport à leur groupe de référence. Un client qui sera faible sur un nombre trop important de KPIs verra automatiquement son score de santé baisser. Vous n’avez donc pas à vous préoccuper de définir les critères à analyser, l’IA le fait pour vous ! Et elle le fait vite.
#2. Prédiction du comportement futur
La prise en compte de l’évolution de chacun des KPIs permet de nuancer l’analyse précédente. Par exemple, un client peut avoir une faible fréquence de connexion par rapport à la moyenne de son segment, mais s’il progresse par rapport à son propre historique, l’IA va le prendre en compte et considérer que le client s'inscrit dans une dynamique positive. L’analyse de l’historique permet donc d’affiner le calcul du score de santé et de prédire le comportement futur d’un client.
#3. Modèle auto-apprenant
Alors que le premier point permet à l’IA d’être efficace très rapidement, l’intégration de modèles de Machine Learning optimise le score dans la durée. Lorsqu’un client churn ou bascule durablement dans l’inactivité, l’IA va réintégrer les comportements qui ont précédé afin de donner progressivement davantage de poids aux variables les plus discriminantes. Plus l’IA disposera d’un historique de données, plus elle sera pertinente.
📌 Télécharger | "Le guide ultime pour mettre en place un Score de Santé".
Quelle place pour la personnalisation ?
L’IA permet également de personnaliser un score de santé en pondérant les critères importants pour chaque segment de client, ou en intégrant des métriques custom.
Des critères pondérés spécifiquement pour chaque segment de client
Vous pouvez définir le poids que vous désirez accorder à chaque catégorie de critères et même avoir des pondérations spécifiques à chaque typologie de client. Par exemple, vos clients “High-Touch” auront un score de santé davantage influencé par les interactions et le CSM Pulse, là où vos clients “Low-Touch” seront surtout scorés par rapport à leurs usages de votre plateforme.
La prise en compte de Custom Metrics
Toutes les métriques pertinentes ne peuvent pas être trackées directement sur votre application. C’est là qu’interviennent les “Custom Metrics”. Elles permettent d’envoyer des informations supplémentaires à l’algorithme afin d’orienter le score à la hausse ou à la baisse. Imaginons que vous commercialisez une solution d’activation marketing : il est certes important de savoir si vos utilisateurs se connectent régulièrement et utilisent vos fonctionnalités clés. Mais s’ils n’en tirent aucun ROI, alors la relation n’a pas vocation à durer. Il est donc possible d’injecter des critères business (ROI, leads générés…) pour enrichir votre score de santé.
Tout cela dans une UI 100% administrable par le métier bien entendu !
L’IA permet de déployer un score de santé plus rapidement
On l’a vu, l’IA permet d'analyser une variété de facteurs impressionnante : plus de 70 critères analysés dès le J-0, au global et par segment de client, historisés en continu, prédiction des comportements futurs, analyse a posteriori via des méthodes de Machine Learning… c’est éminemment plus puissant que n’importe quel score défini manuellement. Et pourtant tellement simple à mettre en place !
Car au-delà de la performance pure, le setup d’un score de santé basé sur l’IA est également beaucoup plus rapide que la mise en place d’un score basé sur des règles métier. Et pour cause ! Puisque c’est l’IA qui interprète nativement les métriques vitales de vos clients. Côté configuration, la mise en place d’un score de santé est pour ainsi dire Plug&Play. On estime néanmoins que 2 à 3 semaines de données d’usage sont nécessaires avant que le score soit réellement pertinent. En résumé, en moins d’un mois vous avez un score de santé opérationnel et fiable.
Vous souhaitez en savoir plus ? N’hésitez pas à prendre RDV avec nos experts
Pour aller plus loin :