Modèle et cible
Le modèle prédictif attribue à chaque client une probabilité d'appartenir à chacune de trois classes : détracteur, neutre, promoteur. Il ne prédit pas une note de 0 à 10.
Cible
Point | Réponse |
|---|---|
Classes | Détracteur (notes 0 à 6), neutre (7 à 8), promoteur (9 à 10) |
Sortie | Une probabilité par classe ; la classe prédite est celle de plus forte probabilité |
Indicateurs possibles | NPS, CSAT ou attrition (churn) comme cible de la plateforme |
Apprentissage | Sur les clients qui ont répondu à une enquête |
Application | À tous les clients actifs, y compris ceux qui n'ont pas répondu |
Pour un CSAT ou une attrition, le paramétrage de l'organisation définit la cible.
Algorithme et périmètre
Le modèle repose sur de l'apprentissage statistique (forêts aléatoires) ; il n'utilise aucun modèle de langage. Chaque organisation dispose de son propre modèle, entraîné sur ses données : il n'y a pas de modèle prédictif commun à plusieurs clients. Les modèles de langage de la plateforme, via Vertex AI, servent aux fonctions d'IA générative et non au prédictif.
Variables d'entrée
Les entrées ne sont pas les drivers bruts mais des agrégats de « health score » par client (moyenne, minimum, maximum, écart-type, nombre), dérivés des résultats des drivers. Seuls les drivers activés pour la prédiction y contribuent.
Schéma (version texte)
Drivers (à la date de réponse) → Santé par driver et par client
Santé par driver et par client → Agrégats de health score
Agrégats de health score → Modèle de l'organisation (forêt aléatoire)
Modèle de l'organisation (forêt aléatoire) → Probabilités : détracteur / neutre / promoteur