Série Le mythe de l’hyper-personnalisation #2:
Le piège des scorecards : comment les modèles traditionnels laissent de l’argent sur la table

L’héritage des scorecards

L’illusion de la segmentation

• Clients à hauts revenus vs. clients à faibles revenus

• Jeunes actifs vs. retraités

• Clients urbains vs. clients ruraux

• Bons scores de crédit vs. scores de crédit limites

• Clients de longue date vs. nouveaux clients

• Client A:

  • Est client de l’institution depuis 8 ans
  • Détient un compte courant, un compte d’épargne et un prêt automobile
  • Utilise les canaux digitaux 90 % du temps
  • N’a jamais appelé le service client
  • Vit sur un marché concurrentiel avec trois autres agences à proximité
  • A récemment recherché des taux de crédit immobilier en ligne

• Client B:

  • A ouvert un compte il y a 6 mois
  • N’a qu’un compte courant avec domiciliation de salaire
  • Se rend fréquemment en agence
  • A appelé le service client trois fois au sujet des frais
  • Vit dans une zone rurale avec des options bancaires limitées
  • Vient de rembourser ses prêts étudiants

L’évolution:

Règles → Prédictif → Prescriptif

• ÉTAPE 1:

  Règles et scorecards.

  C’est là que la plupart des institutions se situent encore pour de nombreuses décisions. Des règles fixes et des scorecards simples déterminent les actions : « Si score de crédit > 700 ET revenu > 50 000 $, approuver jusqu’à 10 000 $. » Elles apportent de la cohérence et de l’explicabilité, mais laissent une valeur massive sur la table, car elles ne peuvent pas s’adapter aux circonstances individuelles ni équilibrer plusieurs objectifs.

• ÉTAPE 2:

  Analytique prédictive

  Les institutions déploient des modèles de machine learning qui produisent des probabilités : « Ce client a 23 % de probabilité de défaut, 67 % de propension à acheter et 15 % de probabilité d’attrition dans les 90 jours. » C’est une amélioration significative : les prédictions sont plus précises et peuvent prendre en compte bien plus de variables que les scorecards.

  Mais voici le piège : beaucoup d’institutions s’arrêtent là et pensent avoir atteint la personnalisation. Elles disposent de meilleures prédictions, mais ce sont toujours des humains qui prennent les décisions à partir de ces prédictions. Un responsable produit examine les scores de propension et décide quels clients reçoivent quelles offres. C’est toujours de la segmentation — avec des étapes supplémentaires.

• ÉTAPE 3:

  Optimisation prescriptive

  C’est la véritable hyper-personnalisation : des algorithmes déterminent l’action optimale pour chaque client individuel tout en prenant en compte simultanément:

  • Plusieurs modèles prédictifs (risque, propension, valeur vie client)
  • Les objectifs métier (rentabilité, croissance, rendements ajustés du risque)
  • Les contraintes opérationnelles (budget, stocks, capacité)
  • Les priorités stratégiques (part de marché, satisfaction client, positionnement concurrentiel)
  • Les exigences réglementaires

  La sortie n’est pas une prédiction ni un score — c’est une décision précise : « Proposer au client 1 547 un prêt personnel de 12 000 $ à un TAEG de 8,2 %, sur 36 mois, envoyé par e-mail le mardi matin. »

Pourquoi le traitement individuel n’est plus optionnel

• Netflix ne montre pas les mêmes recommandations de contenus à tous les 25–34 ans ayant un historique de visionnage similaire ; il crée des recommandations individuelles pour chaque utilisateur.
• Amazon n’affiche pas les mêmes produits à toutes les personnes d’un même segment démographique ; la personnalisation descend jusqu’au niveau individuel.
• Spotify ne crée pas les mêmes playlists pour tous ceux qui aiment le rock ; il génère des mixes uniques pour chaque auditeur.

• Des offres non pertinentes sont ignorées, ce qui gaspille le budget marketing

• Des produits qui ne correspondent pas aux besoins individuels génèrent un faible engagement et une attrition élevée

• Des décisions de crédit génériques prennent soit trop de risque, soit manquent des opportunités rentables

• Les clients attendent de plus en plus mieux et passent chez des concurrents capables de le délivrer

Les limites structurelles de la segmentation

• Aveuglement face aux contraintes:
  Les segments ne peuvent pas optimiser l’allocation des ressources. Si vous avez 10 000 clients dans un segment et un budget pour 3 000 offres, quels 3 000 devraient les recevoir ? La segmentation ne peut pas répondre à cette question ; il faut de l’optimisation.
• Échec en multi-objectifs:
  Faut-il privilégier la rentabilité ou la valeur vie client ? La minimisation du risque ou la croissance ? Les segments vous obligent à choisir. L’optimisation peut équilibrer plusieurs objectifs simultanément.
• Rigidité:
  Les conditions de marché changent, mais les segments sont relativement statiques. Reconstruire des stratégies de segmentation prend des semaines ou des mois. Relancer une optimisation prend quelques minutes.

La voie à suivre

• Utilisez-vous encore des scorecards pour les décisions principales?
  Si oui, vous opérez avec une technologie des années 1990 dans un marché de 2025. Les scorecards apportent de la cohérence, mais elles ne peuvent pas rivaliser avec des approches qui prennent en compte des centaines de variables et des interactions complexes.
• Vous appuyez-vous sur des stratégies de segmentation avec des règles fixes par segment?
  Si oui, vous laissez de l’argent sur la table, même si vos segments sont sophistiqués. Aucune approche par compartiments ne peut optimiser des décisions individuelles tout en équilibrant plusieurs objectifs et contraintes.
• Après génération des prédictions, est-ce un humain qui décide des actions?
  Si oui, vous êtes bloqué à l’étape 2 : vous avez de meilleures informations, mais vous n’exploitez pas l’optimisation pour déterminer quoi en faire.
• Pouvez-vous expliquer pourquoi le client A a reçu une offre, et le client B une autre, au-delà de « ils sont dans des segments différents » ?
  Si non, vous ne faites pas d’optimisation au niveau individuel.

Série Le mythe de l’hyper-personnalisation #1:
Pourquoi les banques pensent faire de l’hyper-personnalisation (mais n’en font pas)

La distinction critique que la plupart des banques manquent

• Les modèles de machine learning génèrent des prédictions (probabilité de défaut, propension à acheter, probabilité d’attrition).
• Ces prédictions sont regroupées dans des rapports ou des tableaux de bord
• Un humain — responsable du recouvrement, directeur marketing ou responsable du risque — examine les prédictions
• cette personne décide de l’action à entreprendre en s’appuyant sur les prédictions et sur son jugement

La réalité du recouvrement

• L’approche traditionnelle :

  Le responsable du recouvrement examine des tableaux de bord présentant ces probabilités, regroupées en segments : forte propension à payer, moyenne, faible. Sur la base de ces informations et de son expérience, il conçoit des stratégies de traitement. Les clients à forte propension reçoivent des rappels par e-mail. Les clients à propension moyenne reçoivent des appels téléphoniques. Les comptes à faible propension sont confiés à des agences externes.

  Cela semble logique. Mais voici ce qui se passe réellement :

  Le responsable peut raisonnablement évaluer 5 à 10 combinaisons de stratégies différentes. Il ne peut pas optimiser simultanément 10 000 clients individuels tout en tenant compte des contraintes budgétaires, de la disponibilité des équipes, des coûts des canaux, des exigences réglementaires, des différences de fuseaux horaires et des objectifs stratégiques de fidélisation client.

  Le client 1 547 et le client 3 891 peuvent avoir des scores de propension à payer identiques, mais nécessiter des approches optimales radicalement différentes en fonction de leur historique comportemental complet, de leurs préférences de communication, des produits détenus et de leur potentiel de valeur vie client. La segmentation les traite pourtant de manière identique.

  Le responsable sait que le centre de recouvrement dispose d’une capacité limitée, mais il ne peut pas calculer précisément quels clients spécifiques devraient recevoir quelles interventions afin de maximiser les recouvrements dans cette contrainte.

• La réalité de l’hyper-personnalisation :

  Les véritables algorithmes d’optimisation déterminent l’approche exacte pour chaque client : e-mail ou téléphone ? Matin ou soir ? Ton ferme ou empathique ? Offre de règlement de quel montant ? Plan de paiement selon quelle structure ?

  Le système prend ces décisions en tenant compte simultanément de :

  • Les caractéristiques et l’historique individuels des clients
  • Les modèles de propension pour différents résultats
  • Le coût de chaque approche d’intervention
  • Les contraintes de personnel et de budget
  • Les exigences réglementaires
  • Les priorités stratégiques (fidélisation client vs recouvrement immédiat)
  • Les objectifs au niveau du portefeuille

  Aucun humain ne peut équilibrer des dizaines d’objectifs sur des milliers de clients simultanément tout en respectant de multiples contraintes métier. La machine le peut — et elle le fait en quelques secondes plutôt qu’en plusieurs semaines.

L’exemple de la gestion des lignes de crédit

• Leur processus initial :

  Les responsables produit examinaient ces prédictions et créaient des règles : « Les clients dont la probabilité de défaut est inférieure à 5 % et dont l’utilisation dépasse 60 % sont éligibles à des augmentations de ligne jusqu’à 10 000 $. » Ils disposaient d’une douzaine de règles couvrant différents segments de clientèle.

• Ce qu’a apporté l’hyper-personnalisation :

  Au lieu de règles basées sur des segments, le moteur d’optimisation a déterminé des plafonds de crédit individuels pour chaque client. Deux clients ayant des scores de risque identiques pouvaient recevoir des décisions de crédit différentes en fonction de leurs profils complets, du paysage concurrentiel et de la composition actuelle du portefeuille de la banque.

• Résultats :

  Une rentabilité du portefeuille supérieure de 15 % sans augmentation des taux de défaut, et une amélioration de 23 % de la satisfaction client, les clients bénéficiant d’un accès au crédit mieux adapté à leurs besoins réels.

• L’enseignement clé :

  Le client A et le client B peuvent avoir la même probabilité de défaut, mais la ligne de crédit optimale du client A peut être de 8 500 $, tandis que celle du client B est de 12 000 $ — parce que l’optimisation prend en compte des dizaines de facteurs au-delà du risque, notamment le potentiel de rentabilité, les menaces concurrentielles, la composition du portefeuille et les objectifs stratégiques.

Ce que requiert réellement l’hyper-personnalisation

• Des moteurs d’optimisation, pas seulement des modèles
  Vous avez besoin d’algorithmes capables de déterminer des actions optimales tout en équilibrant plusieurs objectifs et en respectant de nombreuses contraintes. Il s’agit de solveurs mathématiques sophistiqués, et non de modèles traditionnels de machine learning. Ils prennent des prédictions en entrée, mais produisent des décisions en sortie.
• Une prise de décision intégrée
  L’humain ne se situe pas entre la prédiction et l’action pour traduire des probabilités en décisions. À la place, les humains définissent des objectifs (« maximiser la rentabilité tout en maintenant le taux de défaut du portefeuille en dessous de 3 % ») et des contraintes (« rester dans un budget marketing de 2 M$ »), puis le système optimise dans ce cadre.
• La gestion des contraintes
  Le système doit gérer de réelles contraintes opérationnelles : plafonds budgétaires, seuils de risque, niveaux de stock, exigences réglementaires, capacité des équipes, contraintes opérationnelles. Ce ne sont pas des options — elles sont fondamentales pour déterminer ce qu’est réellement une décision optimale.
• La définition de la fonction objectif
  Les organisations doivent définir explicitement ce qu’elles optimisent : maximiser la rentabilité ? Minimiser les défauts ? Maximiser la valeur vie client ? Optimiser la satisfaction client ? Il s’agit généralement d’une combinaison de ces objectifs, et la pondération est déterminante.
• L’arbitrage multi-objectifs
  C’est ici que les approches traditionnelles s’effondrent complètement. Un responsable du recouvrement peut maximiser les taux de recouvrement, mais à quel coût pour la fidélisation client ? Un responsable marketing peut maximiser les taux de réponse aux campagnes, mais à quel coût pour la rentabilité ? Les moteurs d’optimisation peuvent arbitrer entre des objectifs concurrents de manière mathématique plutôt que par le jugement humain.

Pourquoi cette distinction est cruciale aujourd’hui

• Portée d’optimisation limitée :
  Les humains peuvent considérer 5 à 10 variables simultanément. Les algorithmes d’hyper-personnalisation peuvent en considérer des centaines tout en respectant des dizaines de contraintes.
• Allocation sous-optimale des ressources :
  Même d’excellents managers ne peuvent pas allouer des ressources limitées (budget, temps des équipes, stocks) de manière optimale sur des milliers de clients simultanément.
• Adaptation lente :
  Lorsque les conditions de marché changent, la mise à jour de règles de décision pilotées par l’humain prend des semaines. Relancer une optimisation prend quelques minutes.
• Optimisation locale :
  Chaque département optimise selon ses propres objectifs — le recouvrement maximise les recouvrements, le marketing maximise les taux de réponse, le risque minimise les défauts. La véritable hyper-personnalisation optimise l’ensemble du cycle de vie client.

La question qui dérange

Aller au-delà du mythe