C'est l'insight qui se trouve au cœur de la façon dont Pendo conçoit Pendo Predict, notre produit d'analyse prédictive alimenté par l'IA. Et c'est un insight qui change complètement la conversation, une fois que vous le comprenez.

Jonathan Rice, analyste de données au sein de l'équipe interne de science des données de Pendo, l'a exprimé clairement lors d'une conversation récente : « Je pense qu'une équipe data avec la tête sur les épaules peut construire un modèle de churn, et l'a probablement déjà fait. »

Donc, si de bonnes équipes de données peuvent déjà créer des modèles prédictifs, quel est l'intérêt de Predict ? Il s'avère que le modèle n'est qu'une partie du problème, et pas la plus importante.

La pièce manquante des modèles de données maison

Voici la partie de la conversation sur l'analyse prédictive qui tend à être passée sous silence : un modèle qui se trouve dans un entrepôt de données ne sauve pas un seul client.

« Le modèle lui-même ne change pas réellement les résultats de votre entreprise », a expliqué Jonathan. « Ce sont les personnes qui pilotent les résultats à partir des prédictions du modèle qui changent vraiment les choses. »

Les équipes data connaissent bien cette tension. Vous passez des semaines, parfois un trimestre entier, à construire quelque chose dont vous êtes vraiment satisfait. Les prédictions semblent justes. Le rappel est solide. Et puis... ça ne fait tout simplement pas bouger le revenu récurrent net revenue (NRR), parce qu'il n'existe pas de chemin clair entre « voici un compte à haut risque » et « voici un CSM qui fait quelque chose à ce sujet ».

La question est : à qui appartient ce travail ? Est-ce à l'équipe data de stimuler l'action, ou la responsabilité incombe-t-elle aux RevOps, à l'enablement ou aux responsables Customer Success (CS) ? La réponse est généralement « tout le monde en est un peu responsable, donc personne ne l'est vraiment. »

Predict est conçu pour résoudre ce problème non pas en remplaçant le modèle, mais en prenant en charge tout ce qui vient après les scores de prédiction.

Ce que Predict fait réellement (et ce qu'il ne cherche pas à faire)

Predict n'est pas une boîte noire qui prétend connaître votre activité mieux que ceux qui y travaillent au quotidien — c'est une plateforme qui réduit le temps entre « nous avons un modèle » et « notre équipe l'utilise concrètement ».

Là où Predict brille vraiment, c'est dans tout ce qui se passe après l'entraînement du modèle : l'intégration des prédictions dans Salesforce et Slack (ou partout où vit votre équipe GTM), la création de segments Pendo à partir des niveaux de score, l'association de playbooks pour que les CSM sachent quoi faire lorsqu'un compte apparaît comme étant à haut risque, et le réentraînement automatique pour que vos scores ne se dégradent pas silencieusementobsolète.

Ce dernier point compte plus qu'il n'y paraît. Jonathan a décrit le précédent modèle de prédiction du churn de Pendo comme un modèle qui n'avait pas été reconstruit ni réentraîné depuis des années. L'entreprise avait considérablement évolué entre-temps, mais le modèle continuait de fonctionner sur d'anciens signaux. 

« Nous allions devoir reconstruire le modèle », a-t-il déclaré. « Le problème, c'est que ce n'est pas une tâche facile. Cela aurait pris à un data scientist la majeure partie d'un trimestre. »

Predict renverse cette chronologie. Avec le réentraînement automatique activé, le modèle rééquilibre en permanence les pondérations des caractéristiques en fonction des résultats observés, de sorte que vos scores reflètent le fonctionnement réel de votre entreprise aujourd'hui, et non tel qu'il était lorsque quelqu'un avait le temps de construire un modèle il y a deux ans.

C'est le temps qui change, pas le travail

Avant Predict, la phase de construction du modèle n'était pas nécessairement la plus longue du processus. Jonathan l'a décomposé ainsi : la collecte des données et l'ingénierie des caractéristiques prennent beaucoup de temps. L'entraînement du modèle proprement dit est rapide. Mais ensuite, déterminer comment acheminer les prédictions là où elles doivent aller, écrire du code personnalisé pour pousser les scores dans Salesforce, ou les afficher dans un tableau de bord, ou déclencher une alerte Slack, prend à nouveau beaucoup de temps.

« Predict modifie le temps que vous consacrez à ces trois domaines », a-t-il déclaré. C'est là que vous constatez d'énormes gains de temps. Et désormais, les équipes data peuvent investir plus de temps et d'efforts dans la collecte de meilleures données. »

L'équipe Pendo en a fait l'expérience directement lorsqu'elle a commencé à expérimenter l'enrichissement de données externes pour son modèle de hiérarchisation des comptes. Elle s'est demandé si l'intégration de signaux supplémentaires sur les prospects (comme le fait qu'une entreprise utilise visiblement l'IA) améliorerait la précision du modèle. En l'espace d'une journée, après avoir collecté les données et les avoir intégrées dans Predict, ils avaient leur réponse : oui, c'était informatif, et ils ont publié une nouvelle version du modèle. Tous les utilisateurs en aval ont simplement reçu de meilleures prédictions. Personne n'avait besoin de savoir que quoi que ce soit avait changé.

Le déblocage pour les équipes de données

L'avantage de Predict probablement le plus sous-estimé, du point de vue de Jonathan, est ce qu'il apporte en termes de visibilité des équipes data au sein de l'entreprise.

« Les équipes data doivent communiquer leur retour sur investissement », a-t-il déclaré. « Être capable de montrer que les modèles que vous construisez et les actions que vous en déduisez apportent des revenus à l'entreprise, ou permettent d'éviter des pertes, représente une avancée majeure pour les équipes data. »

Il a établi une comparaison directe avec ce que Pendo fait pour les chefs de produit : les PM disposent d'un outil qui leur indique si les fonctionnalités qu'ils développent sont adoptées, et qui les aide à les améliorer. Les équipes data n'avaient pas cela. Predict est conçu pour être cet outil.

Et parce que Predict s'intègre directement à la plateforme plus large de Pendo, notamment les segments, Guides et Orchestrate, le chemin du score du modèle à l'action action est bien plus courte qu'elle ne le serait si une équipe de données essayait de tout assembler elle-même. Lorsque chaque compte avec un score de désabonnement élevé peut être automatiquement ajouté à un parcours Pendo Orchestrate, et que vous pouvez suivre l'engagement avec ces guides et ces e-mails de la même manière que vous suivriez n'importe quelle autre donnée Pendo, la boucle de la prédiction à l'action to outcome becomes measurable.

Vous voulez voir comment Pendo Predict peut aider votre équipe à transformer les prédictions en actions ? Demandez une démo.