Pourquoi le scoring de santé client échoue et ce qui fonctionne vraiment

Pour les responsables des revenus SaaS, la mission est claire : Faites croître vos clients.

L'acquisition de nouveaux logos est coûteuse et imprévisible. Les conseils d'administration exigent désormais l'efficacité. Le levier le plus important ? Protéger les clients que vous avez déjà pour ne pas perdre vos revenus existants, et développer davantage leur empreinte de compte.

Les responsables des revenus le savent. C'est pourquoi les équipes RevOps ont passé des années à tenter d'attribuer un score à la santé des clients, dans l'espoir de donner aux équipes go-to-market (GTM) la capacité d'anticiper pour protéger et développer les comptes. La collecte des données n'est pas la partie difficile ; c'est la transformation de ces données en informations exploitables qui l'est. Cela devient encore plus difficile lorsque, comme dans la plupart organisations, les données sont cloisonnées entre les équipes et les outils et nécessitent une préparation et un nettoyage approfondis avant de pouvoir être utilisées pour modéliser quoi que ce soit.

Mais voici la vérité qui dérange : la plupart des initiatives de scoring de la santé client échouent. Et elles échouent pour des raisons prévisibles.

Pourquoi les scores de santé client traditionnels échouent

Si votre équipe de succès client utilise un score de santé aujourd'hui, vous avez probablement observé ce schéma : un client semble en bonne santé selon les chiffres, puis se désabonne quand même. Ou un compte est signalé comme étant à risque, mais le score ne peut pas dire à votre équipe pourquoi—ni quoi faire à ce sujet.

Le scoring de santé traditionnel échoue de trois façons prévisibles.

Les modèles de notation statiques ne peuvent pas suivre :

La plupart des scores de santé reposent sur des hypothèses formulées il y a six ou douze mois — ce à quoi ressemblait un « bon » engagement à l'époque. Mais les habitudes d'utilisation des produits évoluent. Des fonctionnalités s'ajoutent. Le comportement des utilisateurs change. Un modèle statique qui fonctionnait au lancement devient un indicateur retardé en quelques mois, vous indiquant ce qui s'est passé plutôt que ce qui est sur le point de se produire.

Les données vivent dans des silos

Les données d'utilisation du produit se trouvent dans un système. Les données CRM dans un autre. Les tickets d'assistance dans un troisième. Construire une vue unifiée de la santé client nécessite d'assembler des sources de données qui n'ont jamais été conçues pour communiquer entre elles — un processus qui requiert des ressources en ingénierie des données que la plupart des équipes RevOps ne possèdent pas.

Des scores sans actions ne sont que des chiffres

Même lorsqu'un score de santé identifie correctement un risque, il ne parvient souvent pas à répondre aux deux questions essentielles : Pourquoi ce compte est-il à risque ? Et que devons-nous faire ? Un score rouge sans contexte laisse les CSM dans l'incertitude, ce qui entraîne au mieux une exécution incohérente des playbooks et au pire une paralysie.

Le résultat est une frustration familière : des tableaux de bord remplis de scores de santé auxquels personne ne fait confiance, qui ne s'expliquent pas d'eux-mêmes, et qui se traduisent rarement en action avant qu'il ne soit trop tard.

Le véritable coût de l'analyse manuelle du churn

Lorsque le scoring de santé automatisé atteint ses limites, les équipes se rabattent sur une analyse manuelle du churn — les CSM passent en revue les comptes individuels à la recherche de signaux d'alerte dans les données d'utilisation des produits, les tickets de support et les échéances de renouvellement.

Cette approche fonctionne, jusqu'à un certain point. Les responsables de la réussite client expérimentés développent une reconnaissance des schémas au fil du temps. Ils apprennent à repérer les signaux subtils : un utilisateur avancé qui cesse de se connecter, une équipe qui abandonne une fonctionnalité clé, un sponsor exécutif qui se fait discret.

Mais l'analyse manuelle ne passe pas à l'échelle. Avec 50, 60, parfois 100 comptes dans leur portefeuille, il est impossible pour un seul CSM de tout détecter. Au moment où ils repèrent les signaux, il est souvent trop tard — la conversation de renouvellement est déjà devenue conflictuelle, ou la fenêtre de vente additionnelle s'est refermée.

Le coût d'opportunité s'accumule avec le temps. Chaque heure passée à examiner manuellement des comptes est une heure non consacrée à la construction proactive de relations, à la planification stratégique ou à des conversations à forte valeur ajoutée avec les clients. L'analyse manuelle du churn devient une taxe sur vos membres d'équipe les plus performants — précisément les personnes dont le temps devrait être consacré à un travail que seuls les humains peuvent faire.

Ce que la prédiction du churn par l'IA requiert réellement

La prédiction du churn alimentée par l'IA est promise depuis des années. Alors pourquoi n'a-t-elle pas tenu ses promesses ?

La réponse réside dans la compréhension de ce qu'un système de prédiction du churn véritablement utile nécessite — et pourquoi la plupart des approches sont insuffisantes.

Tout commence par les données comportementales

Les signaux de désabonnement les plus fiables ne proviennent pas des champs CRM ou des réponses aux enquêtes. Ils proviennent de ce que les utilisateurs font réellement à l'intérieur de votre produit : les fonctionnalités qu'ils utilisent (ou cessent d'utiliser), les schémas d'engagement au fil du temps, et les changements subtils de comportement qui précèdent le désengagement.

Les données d'utilisation du produit sont l'indicateur avancé. Tout le reste — les tickets d'assistance, les scores NPS, les conversations de renouvellement — est un indicateur retardé qui confirme ce que les données comportementales ont déjà révélé des semaines ou des mois auparavant.

Les modèles doivent se réentraîner en continu

Un modèle construit sur les tendances de désabonnement de l'année dernière passera à côté des risques de cette année. Le comportement des clients évolue au fil des changements de votre produit, des évolutions des conditions du marché et de la maturité de votre base clients. Une prédiction efficace du désabonnement par l'IA nécessite des modèles qui apprennent en continu à partir de nouvelles données, et non des constructions ponctuelles qui se dégradent avec le temps.

Les prédictions ont besoin d'explications

Un score de risque de désabonnement sans contexte crée plus de problèmes qu'il n'en résout. « Ce compte a 73 % de probabilité de se désabonner » ne dit rien à votre équipe sur la raison—et sans le pourquoi, elle ne peut pas agir intelligemment. Les meilleurs systèmes de prédiction du désabonnement ne font pas que remonter des prédictions, mais aussi les comportements et schémas spécifiques qui sous-tendent chaque prédiction.

Les insights doivent atteindre les bonnes personnes au bon moment

Une prédiction enfouie dans un tableau de bord que les CSM consultent chaque semaine n'est pas une prédiction qui génère de l'action. L'intelligence doit s'intégrer dans les systèmes où les équipes commerciales travaillent déjà — CRM, Slack, où que se déroule le travail réel — avec suffisamment de contexte pour rendre l'action immédiate et évidente.

La plupart des solutions de « prédiction du churn par IA » échouent sur au moins l'une de ces dimensions. Elles s'appuient sur des données CRM plutôt que sur des données comportementales. Elles construisent des modèles statiques qui se dégradent avec le temps. Elles fournissent des scores sans explications. Ou elles obligent les équipes à adopter encore un autre tableau de bord qui reste inutilisé.

Les processus manuels et les solutions bâclées ne suffisent pas

Les responsables de la réussite client (CSM) font de leur mieux avec les outils que leur fournit le RevOps. Cela peut signifier l'utilisation de modèles de notation statiques manuels dans des feuilles de calcul qui ne donnent pas aux représentants le contexte expliquant pourquoi un compte a le score de santé qu'il a. Dans d'autres cas, le RevOps peut créer des projets de science des données personnalisés pour évaluer la santé des clients. Mais ceux-ci deviennent lents, gourmandes en ressources et difficiles à transmettre directement aux représentants.

Le résultat ? Une multitude de processus manuels et de solutions bâclées. De nouveaux lancements, des remises à zéro, des projets échoués… toujours la même conclusion. Même les CSM avant-gardistes qui explorent déjà les données Pendo pour détecter les signaux de compte peuvent avoir du mal à faire évoluer leur travail à grande échelle. Avec 50, 60, parfois 100 comptes dans leur portefeuille, il est impossible pour un CSM de catch everything. By the time they spot the signals, it's too late: The renewal is lost, or the upsell window has passed.