Accueil / Factory / Use cases / VALEUR CLIENT (CLV) VALEUR CLIENT (CLV) · CRÉDIT À LA CONSOMMATION · 13 oct. 2026

Valeur vie client en crédit conso : prêter juste, refinancer au bon moment

Modéliser la CLV par emprunteur pour arbitrer taux, plafond et relance de refinancement sans détruire la marge.

VALEUR CLIENT (CLV)CRÉDIT À LA CONSOMMATIONComplexité : MOYENNEMise en production : 10 à 14 semaines

LE PROBLÈME

Les organismes de crédit conso pilotent souvent l'acquisition et la rétention sur le seul risque de défaut, sans estimer la valeur future réelle d'un emprunteur. Deux clients avec le même score de risque peuvent avoir une rentabilité très différente selon leur probabilité de remboursement anticipé, leur appétence au rachat de crédit ou leur propension à souscrire un second prêt.

Conséquence : des offres de taux non différenciées, des campagnes de refinancement envoyées aux mauvais profils, et des budgets de rétention gaspillés sur des clients déjà fidèles ou au contraire perdus d'avance. Le coût du statu quo se lit dans la marge nette par client, pas dans le taux de défaut affiché en comité risque.

LES DONNÉES

  • Historique des contrats de prêt : montant, taux, durée, mensualités payées
  • Comportement de remboursement : retards, remboursements anticipés, renégociations
  • Données de scoring crédit existantes (probabilité de défaut, segment de risque)
  • Interactions client : appels service client, simulateurs en ligne, relances
  • Données socio-démographiques déclaratives et données open banking si consentement
  • Historique de rachat de crédit et de souscription à des produits complémentaires
  • Coûts d'acquisition et de gestion par canal (courtier, en ligne, agence)

LES MÉTHODES

  • Modèle de survie de Cox à risques concurrents : estimer durée de vie du contrat selon l'issue (défaut, remboursement anticipé, terme)
  • XGBoost pour la marge future : prédire la contribution nette attendue par client
  • Valeurs de Shapley : expliquer chaque score de CLV pour l'auditabilité
  • Segmentation par k-means sur les CLV prédites : définir des tiers d'action commerciale
  • Test A/B sur les offres de taux différenciées : valider l'impact réel avant généralisation

L'APPROCHE

La démarche part d'une définition métier partagée de la CLV : marge d'intérêt actualisée moins coût du risque moins coût de gestion, sur l'horizon de vie estimé du client. On modélise séparément la durée de vie du contrat avec un modèle de survie de Cox à risques concurrents, qui distingue remboursement anticipé, défaut et arrivée à terme, puis on combine cette estimation avec une prédiction de marge future par du gradient boosting (XGBoost) incluant les probabilités de cross-sell.

La CLV prédite alimente ensuite des règles d'action : taux proposé à la souscription, plafond d'encours accordé, priorité de contact pour une offre de refinancement ou de rachat. Un module d'explicabilité par valeurs de Shapley permet aux équipes risque et conformité de documenter chaque score individuel.

Le déploiement se fait par lots mensuels dans un premier temps, avec recalcul des scores à chaque nouvel événement de paiement ou de contact client, avant d'envisager un scoring en quasi temps réel pour les parcours digitaux.

MISE EN ŒUVRE

  1. Atelier de cadrage avec directions risque, marketing et finance pour définir la formule de CLV
  2. Audit et consolidation des données contrats, paiements et interactions sur un entrepôt BigQuery
  3. Construction des modèles de survie et de marge, validation croisée temporelle
  4. Revue conformité et risque modèle avec la fonction contrôle interne
  5. Déploiement d'un score CLV mensuel dans les outils CRM et de pricing
  6. Pilote A/B sur un segment pour tester taux et relances différenciés
  7. Industrialisation, monitoring de dérive et revue trimestrielle du modèle

GAINS ATTENDUS

Si 15 % des clients à forte CLV sont aujourd'hui sous-sollicités pour un second produit, un ciblage dédié pourrait augmenter la marge par client sans accroître le risque moyen du portefeuille. Si le pricing devient différencié selon la CLV plutôt qu'uniquement selon le risque, une part des marges actuellement perdues sur les meilleurs profils serait récupérable, à condition que la différenciation reste conforme aux règles de non-discrimination tarifaire.

KPIS À SUIVRE

  • Marge nette par client sur 24 mois
  • Taux de transformation des offres de refinancement ciblées
  • Taux de défaut par tier de CLV
  • Coût d'acquisition rapporté à la CLV prédite
  • Stabilité du score dans le temps (PSI)

LA STACK

  • BigQuery pour l'entrepôt de données contrats et paiements
  • Python avec lifelines ou scikit-survival pour les modèles de survie
  • XGBoost pour la prédiction de marge
  • dbt pour les transformations et la traçabilité des indicateurs
  • Airflow pour l'orchestration des recalculs mensuels
  • Vertex AI pour l'entraînement et le monitoring de dérive
  • Looker Studio pour les tableaux de bord destinés aux métiers

RISQUES ET CONFORMITÉ

  • Risque de discrimination indirecte dans le pricing différencié : auditer les variables proxy et documenter la conformité au droit du crédit à la consommation
  • Dérive du modèle de survie si les comportements de remboursement anticipé changent avec les taux du marché : recalibrer périodiquement
  • Opacité perçue du score CLV par les équipes commerciales : fournir des explications individuelles via Shapley
  • Usage de données bancaires tierces (open banking) sans base légale claire : sécuriser le consentement RGPD explicite
  • Sur-sollicitation commerciale des clients identifiés comme très rentables : plafonner la fréquence de contact

QUESTIONS FRÉQUENTES

Ce score de CLV peut-il influencer le taux accordé à un client sans créer de discrimination ?

Oui, à condition d'exclure toute variable proxy de caractéristiques protégées et de documenter la logique de pricing. Un audit de conformité avec la fonction juridique est indispensable avant tout déploiement sur le taux.

Pourquoi utiliser un modèle de survie plutôt qu'une simple prédiction de churn ?

Le modèle de survie estime à la fois le moment et la cause de fin de relation (défaut, remboursement anticipé, terme), ce qui est essentiel pour calculer une marge actualisée réaliste plutôt qu'une probabilité binaire.

Comment éviter que ce modèle favorise uniquement les clients déjà rentables ?

Le dispositif inclut des règles de plafonnement de sollicitation et un suivi du taux de défaut par tier de CLV, pour s'assurer que l'optimisation de marge ne dégrade pas la qualité du portefeuille ni l'équité de traitement.

CE USE CASE CHEZ VOUS ?

Nous le cadrons, le construisons et le mettons en production. Ou nous formons vos équipes à le faire.

Parlons de votre projet →
← Tous les use cases