Comprendre le scoring pour mieux l'utiliser

1 Qu'est-ce que le scoring ?

En matière de scoring, il existe une certaine confusion dans la terminologie. On mélange parfois outils et méthodes, données (comme le score communes) et globalité de la discipline, quand on n'affuble pas de ce qualificatif des éléments qui n'ont pas de raison de l'être. Alors, pour clarifier la situation, autant avoir une vision précise de ce qu'est le scoring. Le scoring est un outil d'aide à la décision. Il a pour but d'aider une entreprise à répondre à des questions telles que "Comment constituer le fichier donnant le meilleur résultat en termes de rentabilité (ou de chiffre d'affaires) ?", "Comment fidéliser des clients déjà acquis et éviter de les perdre ?", "Ce client présente-t-il un risque en termes de remboursement ou de paiement ?"... Pour donner une réponse à l'une de ces questions, on va donc employer un système de notation permettant de déterminer si X (le client, le prospec...) possède des caractéristiques susceptibles de prédire s'il va rentrer dans un cas favorable : acheter un produit, continuer à consommer des produits de l'entreprise, honorer régulièrement ses échéances, etc. Le calcul de ces notes se base, schématiquement, sur trois éléments : des données, des variables et des méthodes. Les données, ce sont les informations que l'on connaît du client ou prospect : nom, prénom, coordonnées, sexe, ainsi que les informations que l'on a pu recueillir au cours de sa relation avec l'entreprise (type de produits achetés, fréquence et montant des achats dans le cadre d'une activité commerciale, crédits en cours, salaire, comportements d'achat pour un organisme de crédi...). Les variables, pour leur part, sont la représentation de l'importance que l'on accorde à chacune de ces données. « L'idée est de déterminer quelles sont les variables fondamentales qui permettent d'expliquer un phénomène, qui permettent de comprendre pourquoi X est client ou non », précise Philippe Cheval, président de BCA et professeur de marketing direct à l'Université de Lille 1. La mise en place d'un score efficace passe aussi, et avant tout, par une méthode. « Il faut définir les bons indicateurs à utiliser, les plus efficaces, note Anne Gayet, directrice des études chez AID. Pour cela, il faut disposer d'informations pertinentes, ce qui implique un travail en amont pour bien définir les données qui vont permettre d'atteindre son objectif. » D'où l'importance d'arriver à obtenir les bonnes informations, par le biais de questionnaires envoyés sous forme de mailings ou par analyse de la base de données clients. Mais aussi de savoir construire de façon méthodologique un modèle d'exploitation de ces données et variables. De nombreux outils sont à la disposition des statisticiens qui se chargent d'effectuer ces calculs de scoring : réseaux neuronaux, régression logistique, arbres de décision, etc. « En résumé, ajoute Anne Gayet, le scoring est une science du questionnaire ajoutée à une science de l'exploitation des informations. » Mais aussi, note Philippe Cheval, « un problème de calcul, d'interprétation de ce calcul et d'insertion dans la chaîne industrielle ». Car on en revient aux premiers propos de cet article, le scoring n'est principalement qu'un outil utilisé pour aider l'entreprise dans ses activités commerciales. En tant que tel, il doit donc pouvoir être appréhendé par les décideurs (d'où le besoin d'interprétation) afin que ceux-ci en tirent profit.

2 Les différents types de scores

Le terme de score est souvent utilisé de manière abusive, pour des taches qui ne relèvent pas vraiment de cette discipline. Globalement, note Yves Allard, directeur général de Chronaxies, « un score implique la mise en oeuvre d'une importante quantité de données différentes. En cas contraire, le terme est abusif ». Cela dit, plusieurs types de scores peuvent être utilisés en fonction des besoins de l'entreprise. En voici les principaux.

- Score prénom

Le score prénom est certainement celui qui mérite le plus le qualificatif d'abusif, dans le sens où une notation sur ce seul critère ne peut pas vraiment permettre de déterminer l'intérêt de telle ou telle personne en fonction de telle ou telle offre. Le scoring prénom se base sur les statistiques émises par l'Insee sur la fréquence d'un prénom par rapport à une année de naissance donnée. On sait ainsi que les Gaston sont souvent des gens d'un certain âge alors que Marine ou Océane sont plutôt des prénoms de jeunes filles. D'autres prénoms, comme Marie ou Pierre, restent stables dans le temps alors qu'un Ludovic, par exemple, voit sa courbe de représentation remonter après plusieurs décennies de creux. Reste que « le prénom peut être un élément de score dans un ensemble plus global, souligne Yves Allard. Mais appeler ça un score est abusif. »

- Score commune

Le score commune ne consiste pas simplement à affecter une note à un individu en fonction de son lieu de résidence, mesure qui serait bien trop sommaire pour être réaliste. Ne serait-ce que parce qu'il est impossible, dans la pratique, de mesurer exactement l'impact que pourrait avoir une campagne dans telle ou telle commune, à moins de dépenser des fortunes en mailings, pour de toutes façons « ne rien savoir d'intéressant », remarque Yves Allard. Cependant, les données géomarketing sont utilisées dans le scoring. « Les techniques de géomarketing nous permettent de mesurer qu'une personne a plus de proximité avec tel produit selon son lieu de résidence, en descendant jusqu'au "segment de voie", c'est-à-dire une portion de rue délimitée par deux autres rues », souligne Stéphane Amarsy, directeur du département ciblage chez Koba. Mais, en soi-même, le terme de score commune est lui aussi abusif et ne constitue qu'une des nombreuses variables utilisables pour établir un score.

- Score RFM

Principalement utilisé par les vépécistes, le score RFM (Récence, Fréquence, Montant) se base sur des données connues de clients de l'entreprise : date du dernier achat, fréquence des achats, montant moyen des commandes. A partir de ces informations, on peut effectuer des analyses montrant, par exemple, que plus un achat a été effectué récemment, plus les chances sont grandes que le client achète dans un délai assez court ; que plus il achète fréquemment, plus il achètera tôt ; que plus le montant moyen de ses commandes est élevé, plus il y a de chances qu'il achète de nouveau à court terme. Des informations qui permettent effectivement de segmenter des fichiers mais, souligne Yves Allard, « ce n'est pas un score au sens propre du terme car il n'est pas dynamique ».

- Score d'appétence

Un score est un moyen de mesurer le potentiel de quelqu'un à court, moyen ou long terme. Le score d'appétence n'est, pour sa part, valable que sur le court terme. L'appétence peut se définir par un produit, un moment donné, une offre donnée. Un exemple de ce type de score est l'organisation d'une soirée soldes : on va sélectionner les personnes à qui envoyer une invitation en fonction de leur intérêt pour ce type de soirées et les produits proposés, mais aussi en tenant compte de leur capacité estimée à dépenser une somme suffisamment importante pour être intéressante. Plusieurs variables auront donc été combinées pour obtenir le fichier le plus pertinent.

- Score d'attrition

Au contraire du score d'appétence, le score d'attrition se base sur le moyen ou le long terme. Son objectif est de déterminer la probabilité qu'un client cesse de faire appel aux services de l'entreprise (cessation d'abonnement, par exemple). Atteindre ce but implique de travailler sur les données que l'on connaît des personnes ayant déjà "quitté le navire", en examinant l'état des informations à leur sujet un laps de temps donné avant leur départ. Avec des différences selon le type d'activités. Ainsi, l'intervalle d'observation sera très long dans une banque, beaucoup moins chez un opérateur de téléphonie mobile, où la volatilité est bien plus importante. Dans tous les cas, le problème consiste à déterminer les informations pertinentes sur lesquelles travailler. Comme le souligne Anne Gayet, « il faut occulter tout ce que l'on sait sur les gens déjà partis en fin de parcours, car c'est postérieur à leur décision de départ. Par exemple, en téléphonie, savoir que les gens partis n'ont pratiquement pas consommé les deux derniers mois avant la fin de leur abonnement n'apporte rien. Il faut remonter plus loin dans le temps pour voir quel était leur comportement avant qu'ils ne prennent leur décision. »

- Score risque

Principalement utilisé par les organismes de crédit pour mesurer le risque qui existe à accorder un prêt à une personne donnée, le score risque a été le premier utilisé. En se basant principalement sur les informations bancaires et les données comportementales du demandeur, le score risque permet de déterminer la probabilité que celui-ci assure le remboursement de ses échéances jusqu'à leur terme. Hors milieux bancaires, le score risque est également exploité par les vépécistes pour tenter d'éviter les problèmes de règlement des produits envoyés. Ou encore, note Stéphane Amarsy, « à mesurer la probabilité qu'une personne connaissant un incident bancaire a de se remettre à flot, de manière à décider si on lui envoie juste un courrier ou si l'on passe tout de suite au contentieux. »

3 L'efficacité du scoring

Le scoring est une activité qui a un coût relativement élevé. D'où l'importance de mesurer son efficacité. En la matière, les principaux prestataires en matière de scoring restent des plus discrets. Stéphane Amarsy confie malgré tout quelques informations intéressantes : « En termes de recrutement, un scoring peut amener une amélioration de 20 à 30 %. Mais c'est très variable selon la problématique et le temps dont on dispose. Les chiffres d'amélioration peuvent varier de 2 à 15 %, parfois même de 10 à 60 % ! Sur une campagne pour un produit de crédit, où la moyenne se situe généralement à 1,7 %, nous avons obtenu un résul-tat de 6,5 % sur la meil- leure tranche de score. Ce qui mettait le coût de recrutement à 100-110 francs par personne au lieu de 500 à 700 francs. » De manière plus générale, l'efficacité d'un scoring se mesure à l'aide d'un "gain chart" (voir illustration), un graphique qui montre le différentiel entre ce qui a été effectivement réalisé (en termes de commandes, par exemple) et ce qui l'aurait été en tenant seulement compte du nombre de personnes contactées. En horizontal, la population est triée selon sa notation, du meilleur au moins bon (avec, logiquement, un nombre de plus en plus important de personnes, à mesure que l'on va vers le moins bon). En vertical, on comptabilise le nombre de commandes réalisées par tranche de population. La différence entre la courbe réelle et celle estimée en l'absence de score (53 % des commandes pour 53 % de contacts, par exemple) permet de vérifier que le score a permis de contacter les personnes qu'il fallait et "d'éliminer" ceux qui avaient de toute manière peu de chances de commander.