Valider la stabilité d’un score prédictif de propension à l’achat

• Valider la stabilité d’un score prédictif de propension à l’achat
• Surveiller la dérive du score dans le temps
• Décider du maintien ou de la recalibration du modèle

Analystes data, responsables CRM, data scientists retail

Connaître la lecture d’un score de propension et ses usages

• Définir la propension à l’achat et le rôle du score prédictif
• Rappeler comment le score est construit et utilisé en marketing
• Comparer les scores prévus aux achats réellement constatés
• Mesurer la stabilité du score entre deux périodes successives
• Calculer la répartition des scores et repérer les décalages
• Détecter la dérive des données d’entrée du modèle prédictif
• Vérifier la performance du score par segment de clientèle
• Identifier les causes de dégradation, saisonnalité ou changement d’offre
• Fixer des seuils d’alerte de stabilité et de performance
• Décider de la recalibration ou du remplacement du score

• Comparer la répartition d’un score sur deux périodes
• Calculer le taux d’achat réel observé par tranche de score
• Fixer deux seuils d’alerte de dérive d’un score prédictif

• Modèle de rapport de stabilité d’un score prédictif client
• Check list de surveillance mensuelle d’un score client
• Fiche repère des seuils d’alerte de dérive du modèle