Prédictions
Les prédictions évaluent chaque client d'après son historique d'achats et son comportement : groupe RFM, risque d'attrition, probabilité d'achat, revenu prévu, engagement, risque d'abandon de panier, ainsi que la meilleure heure d'envoi et le canal préféré. Les résultats sont enregistrés dans le profil sous forme d'attributs ordinaires : vous pouvez donc les utiliser immédiatement dans les segments, les parcours et les modèles de messages.
La section se trouve dans le menu Données → Prédictions. Tous les rôles ayant accès à l'analytique peuvent consulter la page ; l'« Administrateur » et le « Propriétaire » peuvent modifier les paramètres et lancer un recalcul.
Activer les prédictions
Les prédictions d'achat commencent à être calculées dès qu'un événement d'achat est choisi. La meilleure heure et le meilleur canal d'envoi sont calculés même sans lui.
- Ouvrez Prédictions. Si OneTrace.pro a trouvé des événements adaptés (par exemple
order_completedavec la propriétéamount), une suggestion apparaît en haut : cliquez sur Utiliser. - Dans le bloc Ce qui compte comme un achat, choisissez :
- Événement d'achat : l'événement de commande passée ;
- Montant de l'achat : la propriété numérique contenant le montant de la commande. Sans elle, le montant des achats, la note de montant RFM et la prévision de revenu ne sont pas calculés ;
- Horizon de la probabilité d'achat : 7, 14, 30, 60 ou 90 jours, la période sur laquelle l'achat est prédit.
- Dans le bloc Comportement pour le modèle d'activité, indiquez, s'ils existent, l'Événement de consultation de produit et l'Événement d'ajout au panier. Ils rendent la prédiction plus précise, et le risque d'abandon de panier n'est calculé que si l'événement de panier est choisi.
- Laissez le Modèle de probabilité sur Automatique : OneTrace.pro choisit lui-même le modèle le plus précis pour votre projet.
- Cliquez sur Enregistrer. Le premier calcul démarre immédiatement et prend généralement quelques minutes.

Fréquence du recalcul
Les prédictions sont recalculées chaque nuit : les achats sont pris en compte sur tout l'historique du projet, l'activité sur les 90 derniers jours. Après une modification des paramètres, le calcul démarre immédiatement, et le bouton Recalculer le lance manuellement, par exemple après l'import ou la migration d'un historique de commandes.
Les attributs sont attribués aux clients et visiteurs actifs au cours des 90 derniers jours. Seules les valeurs modifiées sont écrites dans le profil, et chaque modification peut lancer un parcours déclenché par « Attribut modifié ».
Attributs créés
| Attribut | Signification |
|---|---|
rfm_recency, rfm_frequency, rfm_monetary |
notes de 1 à 5 pour l'ancienneté du dernier achat, le nombre d'achats et le montant ; 5 est la meilleure |
rfm_segment |
groupe RFM : champions, loyal, at_risk, lost, etc. |
purchase_count, total_revenue, last_purchase_at |
nombre d'achats, leur montant total et l'heure du dernier |
churn_risk |
risque d'attrition, de 0 à 1 |
purchase_probability |
probabilité d'achat sur l'horizon choisi, de 0 à 1 |
predicted_revenue |
revenu attendu du client sur l'horizon (estimation de la valeur future du client, CLV) |
next_purchase_days |
dans combien de jours le client achètera probablement à nouveau |
engagement_score |
engagement de 0 à 100 d'après l'activité sur 30 jours ; 0 signifie aucune visite en 30 jours |
last_activity_at, sessions_30d, product_views_30d |
dernière activité, nombre de sessions et de consultations de produits sur 30 jours |
cart_abandon_risk |
probabilité qu'un produit mis au panier au cours des 7 derniers jours ne soit pas acheté ; retiré après un achat |
best_send_hour |
meilleure heure d'envoi de 0 à 23 dans le fuseau horaire du client, voir ci-dessous |
preferred_channel |
canal auquel le client réagit le mieux : email, sms, web_push… |
La liste complète avec les explications se trouve dans le bloc Attributs de profil en bas de la page.
Groupes RFM
| Groupe dans l'interface | Valeur de rfm_segment |
Qui est concerné |
|---|---|---|
| Champions | champions |
achètent souvent et récemment |
| Fidèles | loyal |
clients réguliers |
| Fidèles potentiels | potential_loyalists |
clients récents ayant acheté une deuxième fois |
| Nouveaux clients | new_customers |
un seul achat récent |
| Prometteurs | promising |
un seul achat, assez récent |
| À surveiller | need_attention |
ancienneté et fréquence moyennes |
| En voie d'endormissement | about_to_sleep |
un seul achat, ne reviennent plus depuis longtemps |
| À ne pas perdre | cant_lose |
achetaient très souvent, mais ont disparu depuis longtemps |
| À risque | at_risk |
achetaient beaucoup, mais il y a longtemps |
| En hibernation | hibernating |
achats rares et anciens |
| Perdus | lost |
un seul achat ancien |
Contenu de la page
- Modèle : statut du calcul, modèle choisi, nombre de clients acheteurs et de visiteurs sans achat, revenu prévu sur l'horizon, nombre de paniers ouverts, nombre de profils modifiés et heure du calcul.
- Segments RFM : nombre de clients dans chaque groupe.
- Distribution des probabilités : nombre de clients dans chaque tranche de risque d'attrition et de probabilité d'achat.
- Engagement : distribution de
engagement_score.

Qualité du modèle
OneTrace.pro vérifie la prédiction sur le passé : il la calcule à la date « il y a un horizon » et la compare avec ce qui s'est réellement passé ensuite.
- Comparaison des modèles : métriques des deux modèles sur les mêmes clients. L'AUC indique dans quelle mesure le modèle distingue les acheteurs des non-acheteurs (0,5 correspond au hasard ; plus on s'approche de 1, mieux c'est). Le log-loss et le Brier mesurent la précision des probabilités elles-mêmes : plus ils sont faibles, mieux c'est. En mode « Automatique », c'est le modèle avec le plus faible log-loss qui est choisi ; il est affiché en gras.
- Calibration des probabilités : part prédite et part réelle des achats dans des groupes de clients. Plus les colonnes « Prévu » et « Réel » sont proches, plus vous pouvez vous fier aux probabilités dans les règles des segments.
- Ce qui motive les achats : les facteurs qui augmentent ou diminuent la probabilité d'achat : jours d'activité, panier ouvert, ancienneté du dernier achat, etc.
Meilleure heure et meilleur canal d’envoi
Chaque nuit, OneTrace.pro observe à quel moment le client ouvre les messages et clique dessus, puis enregistre deux attributs dans le profil :
best_send_hour: l'heure (0–23) dans le fuseau horaire du client à laquelle il réagit le plus souvent aux messages au cours des 180 derniers jours. S'il y a peu de réactions, l'heure est déterminée d'après l'activité sur le site sur 90 jours. Le fuseau est pris dans l'attributtimezoneet, à défaut, dans les paramètres du projet.preferred_channel: le canal dans lequel le client réagit aux messages nettement plus que la moyenne du projet. Chaque canal est comparé à sa propre moyenne : pour les e-mails, ce sont les ouvertures qui comptent, mais pour les SMS et les notifications push, seulement les clics ; on ne peut donc pas comparer les taux directement.
Ces attributs ne sont pas enregistrés pour les nouveaux clients ni pour ceux qui ont peu d'historique. L'événement d'achat n'est pas nécessaire pour ce calcul.
Le bloc Meilleure heure et meilleur canal d’envoi indique combien de clients correspondent à chaque heure, la Meilleure heure du projet (la meilleure heure la plus fréquente parmi les clients) et combien de clients préfèrent chaque canal.

Où cela s'applique :
- dans les campagnes : « À la meilleure heure de chaque destinataire », chacun reçoit le message à sa meilleure heure dans les 24 heures ;
- dans les parcours : le nœud « Attendre la meilleure heure » avant l'envoi ;
- dans la cascade : « D’abord le canal préféré du profil » ;
- dans les segments et les conditions : comme des attributs ordinaires, par exemple
preferred_channel=web_push.
Utiliser les prédictions
Dans l'éditeur de segments, ajoutez une condition Attribut et choisissez un attribut de prédiction :
- « Clients de valeur sur le départ » :
rfm_segmentparmiat_risk,cant_lose, pour un parcours de reconquête avec une remise personnalisée ; - « Achat imminent » :
purchase_probabilitysupérieur à 0,6 ; inutile de leur accorder une remise, un rappel suffit ; - « Risque d'attrition » :
churn_risksupérieur à 0,7 etengagement_scoreinférieur à 20 ; - « Panier abandonné » :
cart_abandon_risksupérieur à 0,5.
Les attributs de prédiction sont également disponibles dans les parcours (conditions et déclencheur « Attribut modifié ») et dans les modèles de messages, par exemple {{ traits.purchase_probability }}. Le nœud de parcours « Décision » choisit lui-même, d'après les attributs de prédiction, à qui accorder une remise, à qui envoyer une sélection de produits et à qui ne rien envoyer, et apprend des résultats.
À savoir
- Les probabilités nécessitent un historique : au moins 50 clients acheteurs, dont 10 ayant acheté plusieurs fois, pour le modèle d'achat, et au moins 200 profils pour le modèle d'activité. Tant que les données sont insuffisantes, le statut est « Données insuffisantes » et seuls les scores RFM, les compteurs et l'engagement sont calculés.
- Plusieurs achats le même jour comptent pour un seul.
- Le modèle ne tient pas compte de la saisonnalité ni des promotions : après des soldes, les probabilités restent un temps en décalage avec la réalité. Comparez les clients entre eux plutôt que d'utiliser la probabilité comme une prévision exacte.
- Les retours ne sont pas déduits du nombre d'achats.
- La meilleure heure se concentre autour des heures où les messages étaient déjà envoyés : si les campagnes partaient toujours à 10 h 00, le calcul ne verra pas d'autre heure tant que les messages ne commenceront pas à partir à des heures différentes.
- Ne modifiez pas les attributs de prédiction via l'API ou un import : ils seront écrasés lors du calcul suivant.