Comment améliorer votre taux de réachat en prédisant la prochaine date d'achat de chaque client

Vous pourriez déclencher chaque relance de réachat au moment exact où le client est prêt à racheter, grâce à la prédiction de la prochaine date d'achat de Batch AI Predict. Mais sans cette précision le timing vous échappe: trop tôt, le message tombe à plat ; trop tard, le client a déjà racheté ailleurs.

Cet article fait partie d'une série qui décline, un par un, les usages concrets de Batch AI Predict. Pour comprendre pourquoi un score prédictif ne crée de valeur qu'une fois activé, vous pouvez lire notre article dédié au sujet.

Pourquoi un même rythme de relance rate-t-il la cible pour la plupart des clients ?

Sur des produits à consommation récurrente, chaque client a un rythme propre, dicté par son usage, alors que la relance de réachat part généralement au même intervalle pour tout le monde. Une relance calendaire uniforme ne peut pas coller à autant de rythmes différents : envoyée trop tôt, elle paraît inutile, voire agaçante ; envoyée trop tard, l'occasion est déjà perdue. On suit en priorité le taux de réachat de la séquence, en gardant un œil sur le taux de clic et le taux de conversion à 7 jours.

Comment déclencher la relance pile à la date de réachat prédite dans Batch ?

Avec Batch AI Predict, la relance se cale sur le rythme réel de chaque client. Pour chaque couple client / produit, le score prédit la date la plus probable de réachat. Cette date devient le déclencheur d'une séquence automatisée, le même principe d'orchestration que l'on retrouve dans nos campagnes de rétention déclenchées avant que le client churn.

Le geste est natif dans Batch : la date prédite est un attribut déclencheur de journey, et le produit associé alimente le contenu du message, avec une personnalisation du contenu produit qui peut aller encore plus loin selon les cas d'usage.

Quel score prédit la prochaine date de réachat dans Batch AI Predict ?

Le score qui alimente ce cas d'usage est la date de réachat. Son principe : pour un produit qu'un client a déjà acheté plusieurs fois, il prédit la prochaine date à laquelle ce client va probablement le racheter.

Cette date est calculée par un modèle entraîné sur l'ensemble des données disponibles sur les clients : données comportementales, catalogue produits, données socio-démographiques. Le modèle apprend, pour chaque couple client / produit, le rythme de consommation propre à ce client.

Quelles performances observe-t-on sur ce type de séquence de réachat ?

Sur ce type de séquence automatisée : taux de clic ~14%, preuve que le message tombe au bon moment ; taux de conversion ~4% sur une fenêtre de 7 jours, confirmant que le client était bien prêt à racheter.

• Taux de clic : ~14 %

• Taux de conversion (fenêtre 7 jours) : ~4 %

En résumé : comment Batch AI Predict améliore-t-il votre taux de réachat ?

Relancer tous les clients au même rythme rate la fenêtre de réachat de la plupart d'entre eux. Le score de date de réachat de Batch AI Predict prédit, pour chaque couple client / produit, le moment précis du prochain achat, et déclenche une séquence calée dessus.