Segmentation comportementale des clients bancaires par k-prototypes pour cibler offres d'épargne et détecter les profils à risque de départ.
Une banque de détail pilote ses campagnes avec une segmentation socio-démographique figée, revue une fois par an par le marketing. Les conseillers reçoivent des listes de clients à rappeler sans distinction entre un jeune actif en phase d'épargne, un retraité patrimonial ou un client en voie de désengagement. Résultat : des offres d'épargne envoyées à des clients qui liquident déjà leurs avoirs, et des signaux faibles de départ noyés dans la masse.
Le coût du statu quo se mesure en taux de transformation faible sur les campagnes push et en érosion silencieuse de l'encours, détectée trop tard par les conseillers en agence. Sans segmentation dynamique fondée sur le comportement transactionnel réel, le ciblage reste approximatif et les ressources commerciales mal allouées.
La démarche part d'un cadrage conjoint avec le marketing et le réseau d'agences pour définir les cas d'usage attendus de la segmentation : ciblage d'offres, priorisation des conseillers, détection de signaux de départ. Les données transactionnelles brutes sont agrégées en variables comportementales mensuelles (volatilité de l'épargne, diversité des produits détenus, intensité d'usage digital) via des pipelines dbt sur BigQuery.
Un algorithme k-prototypes est retenu car il gère nativement le mélange de variables continues (montants, fréquences) et catégorielles (type de produit, canal préféré), contrairement à un k-means classique. Plusieurs nombres de clusters sont testés et validés avec le silhouette score et surtout la lecture métier des conseillers, qui doivent reconnaître leurs clients dans les profils proposés.
La segmentation est ensuite recalculée mensuellement et poussée dans le CRM, avec un tableau de bord Looker Studio permettant aux équipes marketing de suivre la taille et la stabilité des segments dans le temps.
Si 15 % des clients en phase de désengagement sont identifiés un trimestre plus tôt, l'encours sauvé pourrait représenter un gain significatif rapporté au coût de la démarche. Si le ciblage des offres d'épargne gagne 20 % de précision, le taux de transformation des campagnes pourrait progresser sensiblement, à budget marketing constant, sous réserve que les conseillers s'approprient réellement les nouveaux segments.
Le k-means ne gère que des variables numériques. Or les données bancaires mélangent montants, fréquences et catégories comme le type de produit ou le canal préféré. Le k-prototypes évite de dénaturer ces variables en les transformant artificiellement.
Les premiers segments exploitables en campagne apparaissent en 3 à 4 mois. Le gain réel sur la transformation marketing se mesure après deux ou trois cycles de campagne, soit environ 6 à 9 mois après le lancement.
Chaque segment est restitué avec ses variables discriminantes principales et des exemples concrets de clients types, validés en atelier avec le réseau avant tout déploiement en production.
Nous le cadrons, le construisons et le mettons en production. Ou nous formons vos équipes à le faire.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus