🏗️Exemple concret
Une mutuelle santé veut proposer une sur-complémentaire à ses adhérents. Score de propension XGBoost entraîné sur 3 ans de comportements : souscriptions, sinistres, appels. Variables clés : âge >55 ans, au moins un enfant à charge, historique de dépassements d'honoraires. Top 15% des adhérents contactés : taux de souscription de 23% vs 3% sur la population totale. ROI campagne ×8.
∑ Concept clé
Propensity score : e(X) = P(T=1|X). Utilisé aussi pour l'équilibrage des groupes en inférence causale (Propensity Score Matching).
🎯Quand l'utiliser ?
✓Cross-sell et up-sell : qui cibler en priorité ?
✓Réactivation de clients dormants
✓Priorisation des leads commerciaux
✓Optimisation des budgets campagnes (cibler les plus réceptifs)
✅ Avantages
+ROI des campagnes marketing multiplié par 3 à 10
+Réduction des contacts non pertinents (satisfaction client)
+Score facilement intégrable dans le CRM pour les équipes commerciales
⚠️ Limites
−Nécessite un historique de comportements passés
−Confond propension naturelle et effet causal (voir Uplift Modeling)
−Peut exclure des segments non représentés historiquement
🛠️ Outils principaux
XGBoost / LightGBM
Scikit-learn
Dataiku
Salesforce Einstein
SAS Viya
ScoringMarketingCiblageCRMML