Le nombre de clients de votre solution SaaS augmente rapidement. Conséquence : vos Customer Success Managers ont besoin de prioriser et de savoir sur quels comptes placer leurs efforts. C’est là que le Score de Santé entre en jeu. Mais il existe différentes approches pour le calculer. Règles métier ou Intelligence Artificielle : voici les avantages et inconvénients de chaque méthode !
Le score de santé (ou Customer Health Score) rend compte du niveau de santé d’un client et de sa fidélité future. Plus il est bas, plus le risque de churn est élevé. C’est donc un indicateur capital pour tous les business basés sur la récurrence des revenus, le SaaS en particulier.
Encore faut-il pouvoir lui faire confiance. Et c’est souvent là que les choses se compliquent : quelle approche adopter, quels facteurs prendre en compte, quels obstacles éviter ?
📌 Article extrait du webinar "Mettre en place et exploiter efficacement un score de santé" (diffusé le 28/09/2023) ➡️ Accéder au Replay
2 approches : déterministe vs. algorithmique
On distingue 2 grandes approches pour concevoir un Score de Santé :
L’approche déterministe est la méthode historique, et encore la plus répandue. Vous définissez vous-même les règles et les conditions qui font gagner ou perdre des points à vos clients. Concrètement, cela ressemble à ceci : « si au moins N utilisateurs utilisent la fonctionnalité X au cours des Y jours qui suivent l’étape A, ET que [nouvelle condition], ALORS… ». L’avantage : vous maîtrisez les règles et comprenez parfaitement le score. Le risque, c’est de bâtir tout votre modèle sur des a priori qui s’avèrent faux, et d’être complètement à côté de la plaque.
L’approche algorithmique prend le problème dans l’autre sens. Un algorithme se charge d’identifier les indicateurs pertinents en analysant de nombreux signaux. L’objectif : détecter automatiquement les clients qui ont besoin de votre aide pour éviter un churn, et ceux qui vont bien avec un potentiel d’upsell. Cette approche permet d'analyser des volumes de données beaucoup plus importants, sans a priori.
📌 Télécharger | "Le guide ultime pour mettre en place un Score de Santé".
Les 4 pièges d’un score de santé basé sur des règles métier
Les mêmes difficultés reviennent presque systématiquement quand on construit un score à partir de règles que l’on définit soi-même.
#1. Un manque de recul sur les critères prédictifs du churn
Imaginez-vous : vous devez déterminer des règles alors que vous ne savez pas quelles sont les données réellement discriminantes ! Vous avez sans doute vos intuitions métier, mais rarement de quoi les confirmer. Même si votre entreprise compte une équipe data, il y a des chances qu’elle se concentre sur des sujets différents, au service de la roadmap produit, pas sur l’analyse des comportements qui ont précédé vos churns. Or, comme le disait W. Edwards Deming : « sans données, vous n’êtes qu’une personne de plus avec une opinion ».
#2. Des données éparpillées
Autre obstacle courant : les données existent, mais elles sont dispersées entre votre CRM, votre outil de ticketing, votre back-office et votre boîte mail. En d’autres termes, vos informations client sont silotées, ce qui empêche de les exploiter efficacement pour créer un Score de Santé robuste.
#3. Un score figé, coûteux à maintenir
Par définition, un score déterministe est figé. Il ne tient pas compte de la saisonnalité. Prenons le retail : avant et pendant les soldes, vos clients sont très actifs et affichent d’excellents scores. Juste après, ils utilisent moins votre solution et les scores plongent, sans que la relation ait réellement changé.
Et la saisonnalité n’est qu’un exemple. Votre produit s’enrichit, votre offre commerciale évolue, votre typologie de clients aussi. Chaque changement doit être répercuté manuellement dans le score, au risque d’avoir très vite un modèle obsolète. Il faut donc prévoir des ressources pour le maintenir.
#4. Des angles morts… et plusieurs itérations avant d’être fiable
Chaque règle s’appuie sur un ensemble réduit de données, puisque c’est vous qui choisissez les critères. Votre score repose donc sur quelques métriques que vous jugez importantes et laisse les autres de côté. Vous pouvez passer à côté d’un critère essentiel pendant des mois.
Jusqu’au jour où un client que tout le monde pensait en bonne santé résilie. Vous analysez alors son comportement et constatez bien une anomalie… qui n’était pas prévue dans votre score. Vous ajoutez la condition. Quelques semaines plus tard, un autre client part pour une autre raison. Re-belotte. En clair, le modèle ne devient fiable qu’après plusieurs churns.
La vraie question est donc : combien de clients aurez-vous perdus dans l’intervalle ?
📌 Télécharger | "Le guide ultime pour mettre en place un Score de Santé".
Score de santé et Intelligence Artificielle : ce que l’IA change
L’approche algorithmique, et plus précisément l’Intelligence Artificielle, répond à ces pièges en s’appuyant sur 3 principes.
#1. Une analyse comparative des clients, sans a priori
Plutôt que d’appliquer des règles écrites à l’avance, l’IA observe comment se comportent les clients d’un même segment et les compare entre eux pour définir un comportement type. Sur chaque indicateur, elle regarde la moyenne du segment et la position du client par rapport à ce groupe de référence.
Un client faible sur un ou deux KPIs n’a rien d’alarmant. Mais un client qui décroche sur un nombre trop important de KPIs par rapport à son groupe de référence verra automatiquement son score baisser. Vous n’avez donc pas à choisir les critères à surveiller : l’IA le fait pour vous. Et la comparaison permanente neutralise au passage les effets de saisonnalité, puisque tous les clients du segment montent ou baissent en même temps.
#2. Une prédiction du comportement futur
L’analyse comparative donne une photo à un instant T. L’évolution de chaque KPI vient la nuancer. Prenons un client dont la fréquence de connexion est faible par rapport à la moyenne de son segment. Pris isolément, c’est un signal négatif. Mais s’il progresse par rapport à son propre historique, l’IA considère qu’il s’inscrit dans une dynamique positive. L’inverse est vrai aussi : un bon élève qui ralentit doit attirer votre attention avant de passer sous la moyenne.
C’est cette double lecture, le segment d’un côté et la trajectoire du client de l’autre, qui permet de prédire où en sera un compte dans quelques semaines.
#3. Un modèle auto-apprenant
Lorsqu’un client churne ou bascule durablement dans l’inactivité, l’algorithme analyse les comportements qui ont précédé pour en tirer un pattern. Il donne ensuite progressivement plus de poids aux variables les plus discriminantes. Plus l’historique est riche, plus le modèle est pertinent.
Les deux premiers principes rendent le score efficace très rapidement, le Machine Learning l’affine dans la durée. Pas besoin d’attendre des années d’historique pour démarrer.
Le Score de Santé Skalin : une approche hybride
Des dizaines de critères analysés par nos IA, répartis en 4 familles
Pour calculer le score de santé, Skalin analyse en permanence plus de 70 critères sur l’ensemble de votre portefeuille, répartis en 4 grandes familles :
Les interactions : ce sont les échanges humains avec vos clients. Avez-vous des contacts réguliers ? Avez-vous plusieurs interlocuteurs ou êtes-vous très dépendant d’une seule personne ? Avez-vous la main sur le décisionnaire, est-il présent à vos QBR ? Le client répond-il à vos emails, ou vous ghoste-t-il ? Pour déterminer si les échanges se passent bien, nous analysons le sentiment exprimé dans les emails et les tickets, dans de nombreuses langues. Gardez en tête que ce n’est pas parce qu’un client ouvre des dizaines de tickets qu’il est à risque. Il se peut simplement qu’il soit très engagé sur votre solution et qu’il questionne souvent le support. C'est une différence notable entre l’approche déterministe et l’algorithmique.
Les usages : est-ce que votre client se connecte régulièrement ? Utilise-t-il toutes les fonctionnalités de votre produit ou a-t-il un usage superficiel ? Combien de temps passe-t-il sur votre plateforme ? Quelle est la proportion d'utilisateurs actifs et son évolution ? En d’autres mots, que fait-il avec votre produit ? L’algorithme analyse de nombreuses dimensions de l’utilisation de votre solution et leur évolution pour déterminer mathématiquement où se situe chacun de vos clients.
Le contrat : l’évolution du MRR, l’ancienneté du client, la durée d’engagement et la proximité de l’échéance, la consommation de services additionnels ou encore la santé financière du client sont primordiales pour déterminer sa santé.
L’appréciation du CSM (CSM Pulse) : il s’agit d’un indicateur subjectif. Il est surtout utile en high-touch, lorsque le CSM connaît des informations et des signaux impossibles à détecter dans les données récoltées (départ d'un champion, rachat, difficulté financière...).
L’approche algorithmique évite la plupart des pièges des règles métier. Son principal inconvénient : elle ne donne qu’une maîtrise partielle des indicateurs. C’est pourquoi Skalin propose une approche hybride, pour profiter du meilleur des deux mondes !
Des pondérations spécifiques à chaque segment
Vous définissez le poids de chacune des 4 familles de critères, et vous pouvez avoir des pondérations différentes selon la typologie de client. Pour illustrer, sur vos clients high-touch, les interactions et le CSM Pulse peuvent représenter une part importante de la note (40 % pour les interactions, par exemple). Sur un segment low-touch, vous donnez au contraire plus de poids aux critères d’usage.
Vos propres metrics business
Toutes les métriques pertinentes ne peuvent pas être trackées dans votre application. Vous pouvez donc injecter vos propres indicateurs dans l’algorithme pour orienter le score à la hausse ou à la baisse : ROI de la solution, nombre de leads générés, crédits consommés…
Prenons un éditeur d’une solution d’activation marketing. Savoir que ses utilisateurs se connectent régulièrement et utilisent les fonctionnalités clés est important. Mais s’ils n’en tirent aucun ROI, la relation n’a pas vocation à durer. Un client peut très bien utiliser votre produit sans en tirer de valeur.
C’est en cela que le score de Skalin est hybride : il combine l’analyse algorithmique et vos critères métier. Le tout dans une interface entièrement administrable par les équipes métier.
Combien de temps pour obtenir un score de santé fiable ?
Un score basé sur une approche algorithmique se déploie très vite, car c’est l’IA qui interprète nativement les métriques de vos clients. Le point de départ, c’est la donnée : vous commencez par connecter votre stack. Comptez 1 à 2 semaines pour :
- synchroniser vos agendas/messageries, votre CRM, votre outil de ticketing ou encore votre outil de transcription de calls, afin de récupérer toutes les conversations ;
- connecter votre back-office et installer le script de tracking de Skalin sur votre application.
L’algorithme commence à travailler dès le premier jour, mais il a besoin d’un minimum de données pour être pertinent. Sur la plupart des outils, Skalin récupère directement 2 ans d'historique. Pour les données d'usage, il faut la plupart du temps construire cet historique. 2 semaines de tracking sont généralement nécessaires pour obtenir un score de santé fiable. Vous pourrez donc commencer à exploiter votre score 3 à 4 semaines après le démarrage du projet.
À comparer avec les mois d’itérations, et les churns associés, d’un score construit à la main.
Conclusion
Un score de santé ne sert à rien si vos équipes ne lui font pas confiance. Les règles métier ont le mérite d’être lisibles, mais elles reposent sur des intuitions, ne voient qu’une partie de vos données et ne deviennent fiables qu’après plusieurs churns. L’IA prend le problème dans l’autre sens : elle compare, elle suit les trajectoires, elle apprend de vos départs. Si vous devez retenir une chose : partez de la donnée, puis gardez la main sur ce qui fait la spécificité de votre business.
Vous souhaitez en savoir plus ? N’hésitez pas à prendre RDV avec nos experts
Pour aller plus loin :
- Comment mettre en place un score de santé avec 4 métriques clés ?
- SaaS : les indicateurs à mettre en place pour suivre la santé de ses comptes
- 8 signes que votre client est en train de décrocher (même s’il ne dit rien)
- Benchmark : qu’est-ce qu’un “bon” taux de Churn en SaaS B2B ?
- 15 Playbooks indispensables en Customer Success


