Notre philosophie
Actionable explique et anticipe la satisfaction de vos clients à partir de ce qu'ils vivent réellement avec vous : leurs commandes, leurs contacts avec le service client, leur usage de vos services. Nous partons de vos données de comportement, nous en tirons des leviers lisibles et nous vous aidons à vérifier qu'ils fonctionnent.
Six principes
Principe | Ce que cela veut dire concrètement |
|---|---|
Partir du comportement | Nous travaillons sur vos données individuelles et datées, pas sur des moyennes. |
Apprendre des répondants, éclairer toute la base | Ce que disent les clients qui répondent à vos enquêtes sert à comprendre tous les autres. |
Des leviers lisibles | Chaque facteur est présenté avec un seuil et un niveau de fiabilité. |
Relier sans conclure trop vite | Un facteur associé à la satisfaction se teste avant d'être généralisé. |
Un modèle par client | Votre modèle prédictif est le vôtre ; le calcul est commun à tous. |
Le moins de données personnelles possible | Un identifiant pseudonymisé suffit. |
Partir du comportement, pas seulement du déclaratif
Une enquête dit ce qu'un client pense ; ses données disent ce qu'il a vécu. Nous travaillons sur des données individuelles et événementielles : une ligne par interaction, contact ou transaction, jamais des indicateurs déjà agrégés.
La cible peut être un indicateur de satisfaction (NPS, CSAT) ou de comportement (attrition).
Apprendre des répondants, éclairer toute la base
Seule une partie de vos clients répond aux enquêtes. Nous apprenons sur ceux qui ont répondu, puis nous appliquons ce que nous avons appris à l'ensemble de vos clients actifs, y compris ceux qui n'ont jamais répondu.
Schéma (version texte)
Clients qui ont répondu (comportement + réponse) → Modèle propre à votre organisation (apprentissage)
Tous les clients actifs (comportement seul) → Modèle propre à votre organisation
Modèle propre à votre organisation → Pour chaque client : probabilité d'être détracteur, neutre ou promoteur
Pour chaque client, la prédiction donne une probabilité d'appartenir à chacune des trois catégories (détracteur, neutre, promoteur). Elle ne cherche pas à deviner une note précise de 0 à 10.
Des leviers lisibles : driver, seuil, fiabilité
Un driver est une variable calculée pour chaque client à une date de référence, par exemple « nombre de contacts avec le service client sur les 90 derniers jours » ; pour l'apprentissage, cette date est celle de la réponse à l'enquête. Par défaut, un même comportement est mesuré sur plusieurs fenêtres (30, 60, 90, 180 et 360 jours), adaptables à votre activité.
Ce que nous montrons | Ce que cela vous apporte |
|---|---|
Le seuil (point d'inflexion) : la valeur de part et d'autre de laquelle la proportion de clients satisfaits change le plus nettement | Un objectif opérationnel concret (un délai, un nombre de contacts) plutôt qu'une tendance vague |
La fiabilité (faible, modérée, élevée), qui dépend de l'écart observé entre les deux groupes et de leur effectif | Savoir quand un résultat est solide et quand il faut plus de données |
Relier sans conclure trop vite
Un driver décrit un écart observé entre groupes de clients : c'est un levier à tester. Un driver indique où regarder ; un test indique ce qui marche.
Pour mesurer l'effet d'une action, nous recommandons un test avec groupe témoin : une partie des clients ciblés n'est pas contactée pendant au moins 14 à 21 jours, et l'effet est la différence entre les deux groupes.
Schéma (version texte)
Driver fiable + seuil → Hypothèse d'action
Hypothèse d'action → Groupe test (contacté)
Hypothèse d'action → Groupe témoin (non contacté)
Groupe test (contacté) → Effet mesuré = test − témoin
Groupe témoin (non contacté) → Effet mesuré = test − témoin
Un modèle par client, un cœur commun
Le calcul est le même pour toutes les organisations. Ce qui vous est propre, c'est le paramétrage : les sources activées et la correspondance entre vos données brutes et notre modèle commun.
Votre modèle prédictif est entraîné sur vos données ; il n'existe pas de modèle prédictif commun à plusieurs clients. Il repose sur de l'apprentissage statistique (forêts aléatoires) et n'utilise aucun modèle de langage.
Le moins de données personnelles possible
Nous n'avons pas besoin de savoir qui sont vos clients pour comprendre ce qu'ils vivent. Un identifiant client stable et pseudonymisé suffit à relier vos sources. Nous recommandons de pseudonymiser les identifiants avant transfert : la table de correspondance reste chez vous.
Un service continu, pas une étude ponctuelle
La plateforme fonctionne en continu. Chaque jour, une chaîne planifiée pour votre organisation synchronise vos sources, recalcule les drivers et met à jour les prédictions. Vos équipes suivent des indicateurs à jour plutôt qu'un rapport figé.