Analyse client Power BI : segmentation RFM et valeur à vie

L'analyse client répond à la question à laquelle chaque entreprise doit répondre, mais peu peuvent répondre précisément : quels clients sont les plus précieux, lesquels partent et que devons-nous faire à ce sujet ? Sans segmentation, le marketing traite chaque client de la même manière : les mêmes e-mails, les mêmes offres, la même attention. Le client qui a dépensé 50 000 $ l’année dernière reçoit le même code de réduction pour les fêtes que le client qui a effectué un seul achat de 29 $ et n’est jamais revenu.

La segmentation RFM (Récence, Fréquence, Monétaire), l'analyse de cohorte, la prévision du taux de désabonnement et le calcul de la valeur à vie du client (CLV) transforment les données brutes des transactions en informations client exploitables. Power BI fournit la plateforme de visualisation et d'analyse nécessaire pour mettre en œuvre ces techniques à grande échelle, transformant des millions d'enregistrements de transactions en profils clients segmentés, évaluables et exploitables.

Ce guide couvre la mise en œuvre complète de l'analyse client dans Power BI, depuis le modèle de données et les mesures DAX pour la notation RFM jusqu'à l'analyse de cohorte, la visualisation du taux de désabonnement, le calcul CLV et la cartographie du parcours client.

---

Modèle de données pour l'analyse client

Tableaux de base

L'analyse client s'appuie sur un historique complet des transactions lié à l'identité du client.

Dimension client (DimCustomer). Données de base client, notamment CustomerID, CustomerName, Email, AcquisitionDate, AcquisitionSource (organique, payant, référence, partenaire), Industry (pour B2B), Region, Country, City, AccountManager, CustomerTier (si segmenté précédemment) et IsActive.

Tableau des faits sur les transactions (FactTransaction). Chaque événement d'achat. Les colonnes incluent TransactionID, CustomerID, TransactionDate, OrderAmount, ItemCount, ProductCategory, PaymentMethod, Channel (en ligne, en magasin, téléphone), DiscountAmount et IsReturn.

Tableau de faits sur les interactions (FactInteraction). Points de contact client au-delà des achats, y compris les tickets d'assistance, les visites de sites Web, les ouvertures d'e-mails et les connexions aux applications. Les colonnes incluent InteractionID, CustomerID, InteractionDate, InteractionType (achat, support, email_open, email_click, website_visit, app_login), Channel et Duration.

Dimension de date (DimDate). Table de dates standard.

---

Segmentation RFM

Calcul des scores RFM

Le scoring RFM attribue à chaque client un score basé sur trois dimensions comportementales.

Récence : À quelle date le client a-t-il effectué un achat ? Des achats plus récents indiquent un engagement plus élevé.

Fréquence : À quelle fréquence le client achète-t-il ? Une fréquence plus élevée indique une fidélité plus forte.

Monétaire : Combien le client dépense-t-il ? Des dépenses plus élevées indiquent une plus grande valeur.

Chaque dimension est notée sur une échelle de 1 à 5 en utilisant un classement par quintile. Un client avec un score RFM de 5-5-5 est votre meilleur client. Un score de 1-1-1 est le moins engagé.

Recency (Days) =
VAR LastPurchase =
    CALCULATE(
        MAX(FactTransaction[TransactionDate]),
        ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])
    )
RETURN
    DATEDIFF(LastPurchase, TODAY(), DAY)

Frequency =
CALCULATE(
    COUNTROWS(FactTransaction),
    FactTransaction[IsReturn] = FALSE(),
    ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])
)

Monetary =
CALCULATE(
    SUM(FactTransaction[OrderAmount]),
    FactTransaction[IsReturn] = FALSE(),
    ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])
)

Notation des quintiles au DAX

Le calcul du quintile affecte chaque client à l'un des cinq groupes égaux pour chaque dimension RFM. Pour la récence, des jours inférieurs signifient un score plus élevé (plus récent est meilleur). Pour Fréquence et Monétaire, des valeurs plus élevées signifient des scores plus élevés.

R Score =
VAR RecencyValue = [Recency (Days)]
VAR AllRecency =
    CALCULATETABLE(
        ADDCOLUMNS(
            SUMMARIZE(DimCustomer, DimCustomer[CustomerID]),
            "@Recency", [Recency (Days)]
        ),
        ALL(DimCustomer)
    )
VAR Pct20 = PERCENTILE.INC(SELECTCOLUMNS(AllRecency, "@Recency", [@Recency]), 0.20)
VAR Pct40 = PERCENTILE.INC(SELECTCOLUMNS(AllRecency, "@Recency", [@Recency]), 0.40)
VAR Pct60 = PERCENTILE.INC(SELECTCOLUMNS(AllRecency, "@Recency", [@Recency]), 0.60)
VAR Pct80 = PERCENTILE.INC(SELECTCOLUMNS(AllRecency, "@Recency", [@Recency]), 0.80)
RETURN
    SWITCH(
        TRUE(),
        RecencyValue <= Pct20, 5,
        RecencyValue <= Pct40, 4,
        RecencyValue <= Pct60, 3,
        RecencyValue <= Pct80, 2,
        1
    )

F Score =
VAR FreqValue = [Frequency]
VAR AllFreq =
    CALCULATETABLE(
        ADDCOLUMNS(
            SUMMARIZE(DimCustomer, DimCustomer[CustomerID]),
            "@Freq", [Frequency]
        ),
        ALL(DimCustomer)
    )
VAR Pct20 = PERCENTILE.INC(SELECTCOLUMNS(AllFreq, "@Freq", [@Freq]), 0.20)
VAR Pct40 = PERCENTILE.INC(SELECTCOLUMNS(AllFreq, "@Freq", [@Freq]), 0.40)
VAR Pct60 = PERCENTILE.INC(SELECTCOLUMNS(AllFreq, "@Freq", [@Freq]), 0.60)
VAR Pct80 = PERCENTILE.INC(SELECTCOLUMNS(AllFreq, "@Freq", [@Freq]), 0.80)
RETURN
    SWITCH(
        TRUE(),
        FreqValue >= Pct80, 5,
        FreqValue >= Pct60, 4,
        FreqValue >= Pct40, 3,
        FreqValue >= Pct20, 2,
        1
    )

M Score =
VAR MonValue = [Monetary]
VAR AllMon =
    CALCULATETABLE(
        ADDCOLUMNS(
            SUMMARIZE(DimCustomer, DimCustomer[CustomerID]),
            "@Mon", [Monetary]
        ),
        ALL(DimCustomer)
    )
VAR Pct20 = PERCENTILE.INC(SELECTCOLUMNS(AllMon, "@Mon", [@Mon]), 0.20)
VAR Pct40 = PERCENTILE.INC(SELECTCOLUMNS(AllMon, "@Mon", [@Mon]), 0.40)
VAR Pct60 = PERCENTILE.INC(SELECTCOLUMNS(AllMon, "@Mon", [@Mon]), 0.60)
VAR Pct80 = PERCENTILE.INC(SELECTCOLUMNS(AllMon, "@Mon", [@Mon]), 0.80)
RETURN
    SWITCH(
        TRUE(),
        MonValue >= Pct80, 5,
        MonValue >= Pct60, 4,
        MonValue >= Pct40, 3,
        MonValue >= Pct20, 2,
        1
    )

RFM Segment =
VAR R = [R Score]
VAR F = [F Score]
VAR M = [M Score]
RETURN
    SWITCH(
        TRUE(),
        R >= 4 && F >= 4 && M >= 4, "Champions",
        R >= 4 && F >= 3 && M >= 3, "Loyal Customers",
        R >= 3 && F >= 1 && M >= 3, "Potential Loyalists",
        R >= 4 && F <= 2 && M <= 2, "New Customers",
        R >= 3 && F >= 3 && M >= 3, "Promising",
        R >= 3 && F <= 2 && M <= 2, "Need Attention",
        R >= 2 && F >= 2 && M >= 2, "About to Sleep",
        R <= 2 && F >= 3 && M >= 3, "At Risk",
        R <= 2 && F >= 4 && M >= 4, "Cannot Lose Them",
        R <= 2 && F >= 2 && M >= 2, "Hibernating",
        "Lost"
    )

Visualisation RFM

Répartition des segments. Une arborescence ou un graphique à barres horizontales montrant le nombre et la valeur totale des clients dans chaque segment RFM. Cela révèle immédiatement la santé de votre clientèle : un large segment « Champions » est positif ; un grand segment « À risque » ou « Perdu » signale un problème.

** Nuage de points RFM. ** Un nuage de points avec la fréquence sur l'axe X et la monnaie sur l'axe Y, coloré par le score de récence. Cette vue tridimensionnelle révèle des clusters et des valeurs aberrantes que les étiquettes de segment à elles seules pourraient manquer.

Matrice d'actions de segment. Un tableau mappant chaque segment aux actions recommandées.

---

Analyse de cohorte

Création de métriques de cohorte

L'analyse de cohorte regroupe les clients selon leur période d'acquisition (mois ou trimestre) et suit leur comportement sur les périodes suivantes. Cela révèle si la qualité du client s’améliore ou diminue au fil du temps.

Acquisition Cohort =
FORMAT(
    CALCULATE(
        MIN(FactTransaction[TransactionDate]),
        ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])
    ),
    "YYYY-MM"
)

Cohort Size =
CALCULATE(
    DISTINCTCOUNT(DimCustomer[CustomerID]),
    FILTER(
        ALL(DimCustomer),
        FORMAT(
            CALCULATE(MIN(FactTransaction[TransactionDate]),
                ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])),
            "YYYY-MM"
        ) = SELECTEDVALUE(DimCohort[CohortMonth])
    )
)

Cohort Retention Rate =
VAR CohortMonth = SELECTEDVALUE(DimCohort[CohortMonth])
VAR PeriodNumber = SELECTEDVALUE(DimCohortPeriod[PeriodNumber])
VAR ActiveInPeriod =
    CALCULATE(
        DISTINCTCOUNT(FactTransaction[CustomerID]),
        -- Filter to customers from this cohort
        -- who transacted in the nth period after acquisition
    )
VAR OriginalSize = [Cohort Size]
RETURN
    DIVIDE(ActiveInPeriod, OriginalSize, 0)

Matrice de rétention des cohortes

La matrice de rétention de cohorte classique est une carte thermique avec les mois de cohorte sur les lignes et les numéros de période (mois depuis l'acquisition) sur les colonnes. Les valeurs des cellules affichent le taux de rétention, avec une mise en forme conditionnelle créant un dégradé allant du vert foncé (rétention élevée) au rouge foncé (rétention faible).

La lecture de la matrice révèle des modèles. Regardez les lignes pour voir comment chaque cohorte conserve au fil du temps. Parcourez les colonnes pour voir si la rétention à un moment précis de la titularisation s'améliore ou se détériore au sein des cohortes. Une baisse soudaine dans la colonne « Mois 3 » dans toutes les cohortes récentes pourrait indiquer un problème d'intégration. Une amélioration progressive de la colonne « Mois 1 » au fil des cohortes successives suggère que votre expérience de premier achat s'améliore.

Analyse des cohortes de revenus

Au-delà de la fidélisation, suivez les revenus par cohorte pour comprendre les tendances de valeur à vie.

Cohort Revenue =
CALCULATE(
    SUM(FactTransaction[OrderAmount]),
    -- Filtered to specific cohort and period
)

Cohort Revenue per Customer =
DIVIDE([Cohort Revenue], [Cohort Size], 0)

Cumulative Cohort Revenue =
-- Running total of cohort revenue across periods
CALCULATE(
    [Cohort Revenue],
    FILTER(
        ALL(DimCohortPeriod),
        DimCohortPeriod[PeriodNumber] <= MAX(DimCohortPeriod[PeriodNumber])
    )
)

Visualisez les revenus cumulés par cohorte sous forme de graphiques linéaires superposés, chaque ligne représentant une cohorte. Si les cohortes récentes ont des courbes de revenus plus abruptes que les cohortes plus anciennes, votre valeur client augmente. S’ils sont plus plats, la valeur moyenne du client diminue.

---

Visualisation des prévisions de désabonnement

Définir le taux de désabonnement

La définition du taux de désabonnement dépend de votre modèle économique. Pour les entreprises d’abonnement, le désabonnement est une annulation. Pour les entreprises basées sur les transactions, le taux de désabonnement est généralement défini comme aucun achat au cours d'une période définie (par exemple, deux fois l'intervalle d'achat moyen).

Average Purchase Interval =
AVERAGEX(
    DimCustomer,
    CALCULATE(
        VAR Transactions =
            CALCULATETABLE(
                VALUES(FactTransaction[TransactionDate]),
                ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])
            )
        RETURN
            DIVIDE(
                DATEDIFF(MIN(FactTransaction[TransactionDate]), MAX(FactTransaction[TransactionDate]), DAY),
                COUNTROWS(Transactions) - 1,
                0
            )
    )
)

Is Churned =
VAR DaysSinceLastPurchase = [Recency (Days)]
VAR ChurnThreshold = [Average Purchase Interval] * 2
RETURN
    IF(DaysSinceLastPurchase > ChurnThreshold, TRUE(), FALSE())

Churn Rate =
DIVIDE(
    CALCULATE(COUNTROWS(DimCustomer), [Is Churned] = TRUE()),
    COUNTROWS(DimCustomer),
    0
)

Visualisation du risque de désabonnement

Si vous disposez d'un modèle prédictif (construit en Python avec scikit-learn, par exemple) qui génère une probabilité de désabonnement pour chaque client, importez ces scores dans Power BI et visualisez-les.

Répartition du risque de désabonnement. Un histogramme montrant la répartition des scores de probabilité de désabonnement au sein de votre base de clients. Idéalement, la plupart des clients se regroupent du côté à faible risque avec une queue plus petite à haut risque.

Liste de clients à haut risque. Un tableau trié montrant les clients présentant la probabilité de désabonnement la plus élevée, ainsi que leur segment RFM, leur ancienneté, la date du dernier achat et la valeur totale à vie. Il s’agit du résultat exploitable : l’équipe de rétention travaille quotidiennement sur cette liste.

Risque de désabonnement par segment. Un graphique à barres montrant la probabilité de désabonnement moyenne par segment de clientèle (secteur, source d'acquisition, catégorie de produit). Cela révèle des facteurs de risque systématiques auxquels des stratégies globales peuvent s’attaquer.

Chronologie du désabonnement. Un graphique linéaire montrant le taux de désabonnement mensuel sur 24 mois. Ajoutez des lignes de référence pour le taux de désabonnement cible et la référence du secteur. Superposez les dates des campagnes marketing pour visualiser l’impact des initiatives de fidélisation.

---

Valeur à vie du client (CLV)

CLV historique

Le calcul CLV le plus simple additionne tous les revenus historiques d’un client.

Historical CLV =
CALCULATE(
    SUM(FactTransaction[OrderAmount]),
    FactTransaction[IsReturn] = FALSE(),
    ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])
)

Average CLV =
AVERAGEX(
    DimCustomer,
    [Historical CLV]
)

CLV by Acquisition Source =
CALCULATE(
    AVERAGEX(DimCustomer, [Historical CLV])
)
-- Slice by DimCustomer[AcquisitionSource] in visualization

CLV prédictif

Le CLV prédictif estime le total des revenus futurs qu’un client générera. Une approche simplifiée utilise le revenu moyen par période multiplié par la durée de vie restante prévue.

Avg Monthly Revenue =
VAR TotalRev = [Historical CLV]
VAR TenureMonths =
    DATEDIFF(
        CALCULATE(MIN(FactTransaction[TransactionDate]),
            ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])),
        TODAY(),
        MONTH
    ) + 1
RETURN
    DIVIDE(TotalRev, TenureMonths, 0)

Expected Lifetime Months =
-- Based on segment retention rates
-- Champions: 48 months, Loyal: 36, At Risk: 6, etc.
SWITCH(
    [RFM Segment],
    "Champions", 48,
    "Loyal Customers", 36,
    "Potential Loyalists", 24,
    "Promising", 18,
    "At Risk", 6,
    "Cannot Lose Them", 12,
    3
)

Predictive CLV =
[Avg Monthly Revenue] * [Expected Lifetime Months]

Total CLV = [Historical CLV] + [Predictive CLV]

Visualisation CLV

Distribution CLV. Un histogramme montrant la distribution de CLV au sein de votre clientèle. La forme révèle si la valeur est concentrée chez quelques clients baleines (asymétrique à droite) ou si elle est répartie plus uniformément.

CLV par source d'acquisition. Un graphique à barres comparant la CLV moyenne sur tous les canaux d'acquisition. Il s'agit de la mesure marketing la plus importante car elle révèle si les canaux d'acquisition coûteux (publicités payantes) produisent réellement des clients à plus forte valeur ajoutée que les canaux moins chers (organiques, référencement).

CLV vs CAC. Un nuage de points avec le coût d'acquisition client sur l'axe X et CLV sur l'axe Y, chaque point représentant un canal ou une campagne d'acquisition. Les points au-dessus de la diagonale du seuil de rentabilité sont rentables ; les points ci-dessous ne sont pas rentables. La distance à la ligne indique l’ampleur du profit ou de la perte.

Tendance CLV. Suivez la CLV moyenne des nouvelles cohortes au fil du temps. Si les nouvelles cohortes ont une CLV moyenne inférieure, la qualité de votre clientèle peut décliner, potentiellement parce que vous vous étendez à des publics moins qualifiés.

---

Cartographie du parcours client

Étapes du voyage

La cartographie du parcours client dans Power BI visualise les chemins empruntés par les clients tout au long de votre expérience de produit ou de service. Définissez les étapes en fonction de votre modèle économique.

Pour une entreprise de commerce électronique, les étapes peuvent inclure la première visite, la création de compte, le premier achat, le deuxième achat, l'inscription au programme de fidélité et la promotion (référence).

Pour une entreprise SaaS, les étapes peuvent inclure l'inscription à l'essai, la finalisation de l'intégration, l'adoption de la première fonctionnalité, l'expansion (mise à niveau ou module complémentaire), le renouvellement et la promotion.

Entonnoir de parcours

Stage 1 (Visited) = DISTINCTCOUNT(FactInteraction[CustomerID])

Stage 2 (Account Created) =
CALCULATE(
    DISTINCTCOUNT(DimCustomer[CustomerID]),
    NOT(ISBLANK(DimCustomer[AcquisitionDate]))
)

Stage 3 (First Purchase) =
CALCULATE(
    DISTINCTCOUNT(FactTransaction[CustomerID]),
    FILTER(
        FactTransaction,
        RANKX(
            FILTER(FactTransaction, FactTransaction[CustomerID] = EARLIER(FactTransaction[CustomerID])),
            FactTransaction[TransactionDate],
            ,ASC
        ) = 1
    )
)

Stage Conversion =
DIVIDE([Stage 3 (First Purchase)], [Stage 2 (Account Created)], 0)

Visualisation du parcours

Diagramme Sankey. Le visuel Sankey personnalisé de Power BI (à partir d'AppSource) montre le flux de clients entre les étapes, avec des largeurs de branches proportionnelles au volume de clients. Cela révèle non seulement combien de clients progressent à travers chaque étape, mais aussi où ils divergent : sautent-ils des étapes, empruntent-ils des chemins alternatifs ou quittent-ils complètement le voyage ?

Chronologie du client. Pour l'analyse client individuelle, une chronologie visuelle montrant chaque interaction chronologiquement fournit une histoire client complète. Ceci est précieux pour les équipes d’assistance, de vente et de réussite qui ont besoin de contexte avant d’engager un client spécifique.

Analyse des baisses. Un graphique en cascade montrant le nombre de clients à chaque étape du parcours, avec les décréments entre les étapes mis en évidence. Les décréments les plus importants identifient les opportunités d'amélioration les plus critiques. Si 60 % des clients qui créent des comptes n’effectuent jamais d’achat, l’expérience du premier achat est votre priorité.

---

Conception et mise en œuvre du tableau de bord

Page de résumé

The customer analytics executive summary should answer five questions at a glance. How many active customers do we have, and is that growing? What is our customer distribution across RFM segments? Quel est notre taux de désabonnement global et notre tendance ? Quelle est notre CLV moyenne et s’améliore-t-elle ? Which acquisition channels produce the most valuable customers?

Utilisez 4 à 6 cartes KPI, un tableau de répartition des segments, une ligne de tendance de désabonnement et une comparaison CLV par canal.

Pages approfondies des segments

Chaque segment RFM majeur mérite une page d'exploration montrant la liste de clients avec les indicateurs clés, les modèles de comportement du segment (fréquence d'achat, valeur moyenne des commandes, préférences de produits), la contribution et la tendance des revenus du segment, ainsi que les actions recommandées avec suivi des résultats des actions.

Filtrage en libre-service

Include slicers for time period, acquisition date range, customer region, product category, and acquisition source. These enable marketing, sales, and customer success teams to perform their own segmented analyses without requesting custom reports.

---

Questions fréquemment posées

How many RFM segments should I create?

L'approche classique utilise 5 quintiles par dimension, produisant 125 combinaisons possibles de scores RFM (5 x 5 x 5). Ceux-ci sont ensuite mappés sur 8 à 12 segments nommés pour une utilisation pratique. The exact number of actionable segments depends on your ability to differentiate your treatment. Si votre équipe marketing ne peut gérer que 4 campagnes distinctes, l'utilisation de 12 segments crée une complexité sans valeur. Start with 5--6 segments and expand as your operational capacity grows.

How do I calculate CLV for a subscription business vs. a transaction business?

Pour les entreprises d'abonnement, CLV = Revenu mensuel moyen par utilisateur (ARPU) multiplié par la durée de vie moyenne du client en mois, moins le coût de service. Customer lifetime is calculated as 1 divided by the monthly churn rate. Pour un taux de désabonnement mensuel de 3 %, la durée de vie moyenne est de 33,3 mois. Pour les entreprises de transaction sans abonnement, CLV = Valeur moyenne des commandes multipliée par la fréquence d'achat par an multipliée par la durée de vie moyenne du client en années. The transaction approach requires defining what constitutes an "active" customer.

What data quality issues commonly affect customer analytics?

Les problèmes les plus courants sont les enregistrements client en double (la même personne avec plusieurs identifiants), les données de transaction manquantes (achats hors ligne non capturés), les attributs client incomplets (source d'acquisition ou données démographiques manquantes) et le formatage de date incohérent entre les systèmes. Résolvez les doublons avec un processus de gestion des données de base ou une correspondance floue. Implement data validation at the point of capture. Pour les données historiques manquantes, utilisez des techniques d'imputation ou marquez clairement les mesures concernées comme étant approximatives.

Power BI peut-il créer lui-même le modèle de prédiction du taux de désabonnement ?

Les visuels d'IA intégrés de Power BI (influenceurs clés, détection d'anomalies) peuvent identifier les facteurs corrélés au taux de désabonnement, mais pour un modèle prédictif de niveau production, utilisez Python (scikit-learn) ou R intégré à Power BI, Azure Machine Learning avec un point de terminaison de notation publié ou une plateforme d'analyse client dédiée comme Amplitude ou Mixpanel. La force de Power BI réside dans la visualisation et l’action sur les résultats du modèle, et non dans la création des modèles eux-mêmes.

À quelle fréquence les scores RFM doivent-ils être recalculés ?

Recalculez les scores RFM mensuellement pour la plupart des entreprises. Les entreprises de transactions à haute fréquence (commerce électronique, livraison de nourriture) peuvent bénéficier d’un recalcul hebdomadaire. La fréquence d'actualisation doit correspondre à la cadence de votre campagne marketing : il n'est pas utile de recalculer quotidiennement si vous ne lancez que des campagnes mensuelles. Assurez-vous que votre planification d’actualisation Power BI s’aligne sur le recalcul.

Quelle est la relation entre les segments RFM et CLV ?

Les segments RFM sont fortement corrélés au CLV mais mesurent des choses différentes. RFM est tourné vers le passé : il décrit le comportement actuel. CLV est prospectif : il estime la valeur future. Les champions ont généralement la CLV la plus élevée. Les nouveaux clients ont une CLV incertaine. Les clients à risque ont une CLV historique élevée mais une valeur future prévue en baisse. Utilisez les deux ensemble : RFM pour la segmentation tactique (quelle campagne envoyer) et CLV pour les décisions stratégiques (combien investir dans l'acquisition et la fidélisation de chaque segment de clientèle).

Comment gérer les analyses clients B2B lorsque le « client » est une entreprise ?

Dans l'analyse B2B, l'entité client est généralement le compte (entreprise) plutôt que l'acheteur individuel. La notation RFM s'applique au niveau du compte en utilisant les données de transaction au niveau du compte. Cependant, suivez également les contacts individuels au sein des comptes pour une analyse multithread. Les principaux ajouts B2B incluent l'évaluation de la santé du compte (combinant les données d'utilisation, de tickets d'assistance, d'expansion et de renouvellement de contrat), la cartographie du comité d'achat et le suivi des revenus d'expansion (rétention du dollar net). Le modèle de données nécessite à la fois des dimensions de compte et de contact avec une table de pont plusieurs-à-plusieurs.

---

Analyse client professionnelle

L'analyse client transforme le marketing des dépenses basées sur l'intuition en un investissement basé sur les données. Les techniques présentées dans ce guide (segmentation RFM, analyse de cohorte, calcul CLV et prédiction du taux de désabonnement) constituent la base d'une capacité d'intelligence client dont la valeur augmente à mesure que vos données se développent.

Les services Power BI d'ECOSIRE incluent le développement de tableaux de bord pour l'analyse et la segmentation des clients, l'analyse IA pour la modélisation prédictive et la prévention du désabonnement, et la formation pour les équipes développant des capacités d'analyse en libre-service.

---

Les informations d'analyse client les plus précieuses sont souvent les plus simples : vos meilleurs clients ne sont pas ceux que vous pensez être. La notation RFM révèle les fidèles discrets qui achètent régulièrement mais ne se plaignent jamais, les baleines à risque qui sont à une mauvaise expérience de partir et les nouveaux clients qui montrent des signes précoces de devenir des champions. La segmentation ne consiste pas à catégoriser les gens, mais plutôt à les comprendre suffisamment bien pour les servir différemment.