Combien vaut un client qui achète au plus une fois par saison ?

Certains clients ne peuvent acheter qu'à des occasions fixes : un forfait par saison, un don par campagne annuelle, une commande par catalogue ^[C01]. Sans abonnement, personne ne prévient quand il s'en va : l'entreprise ne voit qu'un silence, qui peut être un départ ou une simple pause ^{[C02, C03]}. Deux raccourcis dominent : prolonger le rythme d'achat passé de chaque client, ou déclarer perdu quiconque reste muet deux saisons. Le modèle bêta-géométrique/bêta-Bernoulli (BG/BB) de Fader, Hardie et Shang tranche les deux questions à la fois : le client achète-t-il encore, et est-il encore là ?

Sur données synthétiques tirées du modèle BG/BB lui-même, qui y est donc juste par construction, 4 000 clients sont observés six saisons ; les méthodes sont jugées sur les cinq suivantes. Prolonger le rythme passé pour toujours, comme si personne ne partait, surestime les achats futurs de 43,2 % et la valeur de la base de 74,3 % ; amorti au rythme de décroissance du nombre d'acheteurs, ce rythme sous-estime la valeur de 13,7 %. La règle d'inactivité écarte 2 441 clients, qui font pourtant 707 achats sur les cinq saisons suivantes. Le BG/BB prévoit 5 033,2 achats pour 5 099 observés (−1,3 %, un écart de l'ordre du hasard) et valorise la base à 1 227 640 €, contre 1 256 437 € avec les vrais paramètres : c'est la part encore à venir de la valeur vie client (CLV). Deux réserves : 52,9 % de cette valeur se situe au-delà des cinq saisons vérifiables, et le taux d'actualisation pèse lourd.

Une station de ski vend des forfaits saison. Il n'y a pas d'abonnement : chaque automne, le client rachète un forfait ou non. S'il ne rachète pas, la station ne sait pas s'il a cessé de skier chez elle ou s'il fait une pause d'un an. Une même saison, 4 000 clients ont acheté leur premier forfait. La station a observé les six saisons suivantes : pour chacun, elle sait combien de forfaits il a rachetés et à quelle saison remonte le dernier. Chaque forfait lui rapporte une marge de 150 €.

La direction pose deux questions : combien vaut cette cohorte de clients, et faut-il continuer à relancer ceux qui n'ont rien racheté depuis deux saisons — la règle maison les déclare perdus et les retire du fichier de relance.

Les données de la page sont synthétiques. La probabilité d'acheter une saison donnée, tant que le client est là, varie d'un client à l'autre selon une loi bêta (une façon de décrire comment une probabilité se répartit entre les clients) de paramètres 1,0 et 0,8, soit 55,6 % en moyenne ; la probabilité de partir définitivement au début d'une saison suit une loi bêta de paramètres 0,5 et 2,5, soit 16,7 % en moyenne. Pour juger les méthodes, cinq saisons supplémentaires, les saisons 7 à 11, sont simulées puis mises de côté.

Pour un client dont on connaît seulement le nombre de rachats sur six saisons et la saison de son dernier rachat, combien d'achats attendre sur les saisons suivantes, et que vaut aujourd'hui ce flux d'achats ? Les auteurs appellent DERT (discounted expected residual transactions) le nombre d'achats futurs attendus, chacun actualisé à aujourd'hui ; multiplié par la marge, il donne la valeur résiduelle du client ^[C14]. La difficulté tient en une phrase : le seul indice d'un départ est un silence anormalement long, et il faut distinguer les clients partis de ceux qui marquent une longue pause ^[C03].

Trois pièges courants :

• Prolonger le rythme observé. Un client qui a racheté 4 forfaits en 6 saisons « vaut » 4/6 de forfait par saison, pour toujours, comme si personne ne partait. Or un client au parcours parfait a pu avoir de la chance, et il peut partir ^[C23] ; à l'inverse, un client rare mais récent vaut plus que son rythme passé. Amortir ce rythme au taux auquel le nombre d'acheteurs de la cohorte se maintient d'une saison à l'autre, 91,5 % ici, rapproche le niveau d'ensemble sans corriger l'écart entre clients.
• La règle d'inactivité. Deux saisons sans achat, et le client est déclaré perdu. La règle regarde la récence, mais elle tranche là où il faudrait une probabilité : un client qui achetait une saison sur deux n'est pas dans la même situation qu'un client qui achetait chaque saison et s'est tu.
• Un modèle en temps continu. Le modèle Pareto/NBD (Pareto/binomiale négative), référence pour les achats à tout instant, suppose des achats selon une loi de Poisson, celle d'événements survenant au hasard à tout instant. Quand le nombre d'achats par période est plafonné, un processus de Bernoulli — acheter ou non à chaque occasion — est plus adapté ^[C04] ; sur des données de dons annuels, le Pareto/NBD s'ajuste mal ^[C33].

Un modèle plus savant tient compte des différences entre clients mais pas des départs : le bêta-Bernoulli (BB), référence naturelle quand on suppose que le client ne part jamais et répartit seulement ses achats entre plusieurs fournisseurs ^[C37]. Il ne capte pas la « fuite » des clients ^[C38] ; sur les données des auteurs, il surestime de 20 % le cumul des rachats en fin de validation ^[C20].

Le modèle BG/BB raconte l'histoire suivante ^[C06] :

1. au début de chaque saison, un client encore « vivant » peut partir définitivement, avec une probabilité θ qui lui est propre ^[C08] ;
2. s'il est encore là, il achète avec une probabilité p qui lui est propre, sans mémoire de ses achats passés ^[C07] ;
3. p et θ varient d'un client à l'autre selon deux lois bêta ^[C09], indépendantes l'une de l'autre ^[C10].

Tout l'historique d'un client se résume alors à deux nombres, sa fréquence (le nombre de rachats) et sa récence (la saison de son dernier rachat) ^[C11]. L'histoire explique deux effets qu'aucun raccourci ne reproduit. Un client qui achetait chaque saison et se tait depuis trois saisons est probablement parti : son silence est trop long pour son rythme. Un client qui achetait rarement et se tait depuis aussi longtemps suit peut-être simplement son rythme lent. À récence égale, quand le dernier achat est ancien, avoir beaucoup acheté peut donc être un mauvais signe ^[C28].

Pour chaque client, sur la même série d'occasions : sa fréquence et sa récence, la récence étant la saison du dernier achat, et non le temps écoulé depuis — la convention diffère de celle du marketing direct ^[C12]. Un tableau de comptages suffit : avec six saisons, il n'existe que 22 combinaisons de fréquence et de récence, quel que soit le nombre de clients ^[C11]. L'estimation et les résultats principaux se calculent dans un tableur ^[C13].

Il faut aussi la marge par achat et un taux d'actualisation exprimé par occasion : avec une occasion par an, le taux annuel convient tel quel, ici 10 % ^[C16]. Valoriser le DERT avec une marge unique suppose que le montant par achat est indépendant du rythme d'achat et stable dans le temps ^[C15] ; sinon, il faut un modèle séparé des montants ^[C39]. Les auteurs eux-mêmes ne modélisent que la présence d'un don chaque année, et laissent de côté son montant ^[C46].

Cette section s'adresse au praticien. Le décideur peut la sauter et reprendre à « Le calcul déclaré » : la phrase « En clair » qui la termine suffit.

• n : le nombre d'occasions observées, ici 6 saisons ; h : l'horizon de prévision, ici 5 saisons ; k : le rang d'une saison future, k = 1 pour la saison 7.
• x : le nombre de rachats sur les n saisons ; tₓ : la saison du dernier rachat, 0 si x = 0 ^[C12]. Yₙ₊ₖ vaut 1 si le client achète à l'occasion n + k, 0 sinon ; X est le nombre d'achats sur l'horizon h ; E[·] désigne l'espérance, la moyenne attendue.
• p : la probabilité qu'un client encore présent achète à une occasion ; θ : la probabilité qu'il parte définitivement au début d'une occasion ^{[C07, C08]}.
• p suit une loi bêta de paramètres α et β, de moyenne α / (α + β) ; θ une loi bêta de paramètres γ et δ, de moyenne γ / (γ + δ) ^[C09]. B(a, b) désigne la fonction bêta.
• Vraisemblance d'un historique : L(x, tₓ) = [B(α + x, β + n − x) / B(α, β)] × [B(γ, δ + n) / B(γ, δ)] + Σᵢ [B(α + x, β + tₓ − x + i) / B(α, β)] × [B(γ + 1, δ + tₓ + i) / B(γ, δ)], où i, de 0 à n − tₓ − 1, compte les saisons passées par le client après son dernier achat avant de partir. Le premier terme correspond à un client resté présent les n saisons.
• Log-vraisemblance : LL = Σⱼ fⱼ ln L(xⱼ, tₓⱼ), sur les 22 combinaisons j, où fⱼ est le nombre de clients de la combinaison et ln le logarithme népérien. On cherche les valeurs de α, β, γ et δ qui la rendent maximale.
• E[Yₙ₊ₖ] = [B(α + x + 1, β + n − x) / B(α, β)] × [B(γ, δ + n + k) / B(γ, δ)] / L(x, tₓ) : la chance que le client soit encore là à l'occasion n + k et y achète, compte tenu de son historique. Sur l'horizon : E[X] = E[Yₙ₊₁] + … + E[Yₙ₊ₕ].
• P(vivant) = [B(α + x, β + n − x) / B(α, β)] × [B(γ, δ + n + 1) / B(γ, δ)] / L(x, tₓ) : la part de la vraisemblance de l'historique qui correspond à un client encore là à l'occasion n + 1.
• d : taux d'actualisation par occasion. DERT = Σₖ E[Yₙ₊ₖ] / (1 + d)ᵏ, pour k ≥ 1 : le premier achat futur est actualisé d'une saison ^{[C14, C51]}. Valeur résiduelle : m × DERT, où m est la marge par achat ^[C15].
• Raccourcis : le rythme prolongé vaut m × (x / n) / d ; le rythme amorti prévoit (x / n) × gᵏ achats à l'occasion n + k, où g est le taux moyen auquel le nombre d'acheteurs se maintient d'une saison à l'autre, et vaut m × (x / n) × g / (1 + d − g).

En clair : chaque client garde son propre rythme d'achat et son propre risque de partir ; un long silence fait monter la probabilité qu'il soit parti, d'autant plus vite que son rythme passé était soutenu.

1. Contrôle du code avant usage. Les deux programmes ré-estiment le modèle sur le tableau des 22 combinaisons publié par les auteurs — 11 104 premiers donateurs d'une association, suivis six ans ^[C17] — et retrouvent leurs estimations : α = 1,204, β = 0,750, γ = 0,657, δ = 2,783, log-vraisemblance −33 225,6 ; pour le BB, α = 0,487 et β = 0,826 ^[C18]. Ils retrouvent aussi les 22 valeurs de leur tableau 5 ^[C21] et celles de leur tableau 6 ^[C29], et s'arrêtent en erreur sinon.
2. Cohorte synthétique, tirée du modèle BG/BB par un générateur de nombres pseudo-aléatoires écrit en clair (graine 20261005 ; x ← 1103515245 · x + 12345 mod 2³¹), pour que Python et R tirent les mêmes nombres.
3. Calibration sur les six premières saisons, résumées en 22 comptages ; les saisons 7 à 11 sont mises de côté.
4. Estimation du BG/BB et du BB par maximum de vraisemblance (algorithme du simplexe de Nelder-Mead, qui cherche le maximum pas à pas, relancé jusqu'à stabilité) ; sur les données des auteurs comme sur la cohorte, un départ à 0,01 pour les quatre paramètres mène au même optimum.
5. Cinq prévisions, client par client : rythme prolongé et règle d'inactivité, tous deux prolongés sans fin et sans départ, la règle valant zéro après deux saisons sans achat ; rythme amorti au rythme de décroissance du nombre d'acheteurs ; BB ; BG/BB. Référence : l'espérance calculée avec les vrais paramètres.
6. Valeurs : 150 € par forfait, actualisation de 10 % par saison, séries de 2 000 termes.
7. Incertitude : bootstrap paramétrique — 1 000 cohortes simulées à partir des paramètres estimés, chacune réestimée ; intervalle de la 25ᵉ à la 975ᵉ valeur triée, soit 95 % environ.
8. Répétition sur 100 cohortes indépendantes tirées des vrais paramètres ; le rythme amorti, qui exige les acheteurs saison par saison, n'y figure pas.
9. Sensibilité au taux d'actualisation, à 5 % et 15 %, et part de la valeur au-delà des saisons 11, 16 et 26.
10. Invariants : 15 identités, dont l'égalité entre le DERT calculé par série et la formule fermée des auteurs ; les programmes s'arrêtent si l'une échoue.

Les données. Sur six saisons, les 4 000 clients rachètent 8 762 forfaits. 435 rachètent chaque saison ; 1 271, soit 31,8 %, n'ont racheté aucun forfait sur ces six saisons ; 2 441, soit 61,0 %, n'ont rien acheté lors des deux dernières, et la règle maison les déclare perdus.

Les estimations. Le BG/BB donne α = 0,882, β = 0,744, γ = 0,574 et δ = 3,342, soit une probabilité moyenne d'achat de 54,2 % (intervalle à 95 % environ : 51,8 % à 56,8 %) et une probabilité moyenne de départ de 14,7 % par saison (11,8 % à 17,8 %), pour des valeurs vraies de 55,6 % et 16,7 %. Il s'ajuste nettement mieux que le BB : log-vraisemblance −12 227,6 contre −12 732,6.

La prévision, jugée sur les saisons mises de côté.

Le hasard seul fait varier ce total d'environ 71,2 achats (un écart-type, soit 1,4 %) : l'écart du BG/BB n'en est pas distinguable. Le total de la règle d'inactivité paraît acceptable ; sa composition ne l'est pas. Achats moyens par client sur les saisons 7 à 11, selon la saison du dernier rachat :

La règle met à zéro des clients qui achètent encore, et surestime ceux qui viennent d'acheter.

Six profils de clients. Achats attendus sur les saisons 7 à 11 et valeur résiduelle actualisée par client :

La contraction joue dans les deux sens : un client à un seul rachat, mais en saison 6, vaut plus que son rythme passé.

La valeur de la cohorte.

Les deux premiers raccourcis valorisent le rythme passé pour toujours, sans départ : c'est surtout cette hypothèse qui gonfle leur valeur. Amorti, le rythme sous-estime la valeur : il traite tous les clients de la même façon et ne voit pas que les fidèles restent. L'ampleur de ces écarts dépend aussi du taux de départ retenu pour la simulation.

Les 2 441 clients que la règle déclare perdus portent encore, selon le BG/BB, 175 833 € de valeur attendue si rien ne change, soit 14,3 % de la cohorte ; sur les saisons 7 à 11, 366 d'entre eux reviennent et achètent 707 forfaits, pour 720,9 prévus. Les 1 271 clients sans aucun rachat valent chacun 28,17 €, soit 35 805 € à eux tous, 2,9 % de la valeur.

Ce que l'historique ne vérifie pas. La valeur BG/BB de la cohorte se situe pour 52,9 % au-delà de la saison 11, dernière saison mise de côté, pour 29,1 % au-delà de la saison 16 et pour 9,4 % au-delà de la saison 26.

Le taux d'actualisation. À 5 % par saison, la valeur BG/BB de la cohorte monte à 2 087 835 €, pour 2 164 955 € avec les vrais paramètres ; à 15 %, elle tombe à 881 456 €, pour 897 102 €. Ce choix, qui revient à la direction financière, pèse bien plus que l'incertitude d'estimation.

Sur 100 cohortes indépendantes, les achats prévus sur les saisons 7 à 11 s'écartent de leur espérance calculée avec les vrais paramètres de +44,2 % en moyenne pour le rythme prolongé (écart-type 0,8 %), de +10,6 % pour la règle d'inactivité (0,7 %) et de −0,3 % pour le BG/BB (1,9 %). Le rythme prolongé surestime cette espérance dans 100 tirages sur 100 ; l'écart moyen du BG/BB n'est pas distinguable de zéro, son erreur de simulation étant de 0,2 %.

• Des occasions fixes, un achat au plus par occasion ^{[C01, C04]}. Si le client peut acheter plusieurs fois par période, la direction peut choisir de ne compter que la présence d'un achat, comme pour un comportement rare ^[C05] ; on perd alors l'information sur le nombre d'achats. Vos clients achètent-ils parfois deux forfaits la même saison, pour un proche ?
• Un départ définitif ^[C06]. Appliquer un modèle de départ définitif à des clients qui ne partent jamais tout à fait sous-estime systématiquement leur valeur, selon Rust et ses collègues, cités par les auteurs ^[C50]. Une partie de vos clients s'absente-t-elle quelques saisons, le temps d'un séjour à l'étranger, avant de revenir ?
• Un rythme individuel constant, sans mémoire des achats passés ^[C07]. Vos clients achètent-ils plus souvent à mesure qu'ils s'attachent à la station, ou moins à mesure que leurs enfants grandissent ?
• L'indépendance entre rythme d'achat et risque de départ ^[C10]. Sur les données de dons des auteurs, elle est violée ^[C34] : la corrélation estimée est de 0,361 ^[C35]. Autoriser cette corrélation laisse les prévisions proches dans l'ensemble, avec quelques écarts notables — 3,59 achats au lieu de 3,75 pour un donateur au parcours parfait ^[C36] — et améliore nettement l'ajustement, le χ² passant de 47,9 à 4,8 ^[C48] ; les auteurs jugent l'arbitrage coût-bénéfice incertain ^[C49]. Vos clients les plus assidus sont-ils aussi les plus fidèles ?
• Une politique commerciale future semblable à la passée : le modèle ignore l'effet des actions marketing ^[C40] et suppose qu'elles resteront à peu près les mêmes ^[C41]. Avez-vous changé de prix, de domaine skiable ou de canal de vente pendant la période observée ?
• Une marge par achat constante et indépendante du rythme ^{[C15, C39]}. Vos clients fidèles bénéficient-ils d'un tarif réduit ?
• Une cohorte représentative : les auteurs recommandent d'estimer le modèle séparément selon la date ou le canal d'acquisition ^[C44]. Une cohorte qui n'a connu qu'une occasion d'achat depuis son recrutement ne permet pas d'estimer le modèle ; on peut alors regrouper les cohortes sous des paramètres communs, au prix d'une hypothèse peut-être restrictive ^[C32]. Vos clients recrutés en ligne se comportent-ils comme ceux recrutés en caisse ?
• Ce que les données ne peuvent pas trancher : le caractère définitif du départ, puisqu'un départ et une très longue pause laissent le même silence ^[C03], et la stabilité future de la politique commerciale. Les autres hypothèses se contrôlent : la validation hors échantillon pour le rythme constant, un modèle étendu pour l'indépendance ^[C34], la facturation pour la marge.

• Validation hors échantillon : sur des données réelles, garder les dernières saisons de côté et comparer, par récence et par fréquence, achats prévus et achats observés. Ici, le BG/BB prévoit le total avec un écart de −1,3 %, et 1 667,5 clients ayant acheté au moins une fois sur les saisons 7 à 11, pour 1 690 observés. Sur les données de dons, ses prévisions suivent le cumul des rachats pendant les six années de calibration et les cinq de validation ^[C19] ; leur seul défaut notable est de sous-estimer les achats des donateurs dont le dernier don était ancien ^[C47], une partie du segment que la règle d'inactivité écarte. Cette validation ne porte que sur cinq saisons, alors que 52,9 % de la valeur se situe au-delà.
• Préférer une quantité observable : la probabilité d'être encore présent porte sur un état que personne n'observe ; celle d'acheter au moins une fois sur une période future se vérifie ^[C31].
• L'erreur à l'échelle d'un client : l'écart absolu moyen entre achats prévus et observés vaut 0,747 par client pour le BG/BB et 0,745 avec les vrais paramètres : le hasard individuel domine. La règle d'inactivité obtient 0,689, parce que ce critère récompense une prévision de zéro pour les clients qui ont peu de chances d'acheter ; la médiane prévue par le BG/BB, au lieu de sa moyenne, obtient 0,653. Une espérance se juge par groupe.
• Ajustement : le χ² (une mesure de l'écart entre effectifs prévus et observés) sur les 22 combinaisons vaut 20,98 pour 17 degrés de liberté, une probabilité de 0,23 : un écart que le hasard explique sans peine. Le rapport de vraisemblance, qui mesure de combien le BG/BB s'ajuste mieux que le BB, vaut 1 010,1 ; le BB n'étant atteint qu'à la limite où γ tend vers zéro, la loi usuelle de ce rapport ne s'applique pas, mais un tel écart reste écrasant.
• Incertitude d'estimation, par bootstrap paramétrique : l'intervalle de confiance à 95 % environ des achats attendus sur les saisons 7 à 11 va de 4 781,6 à 5 232,2 ; celui de la valeur de la cohorte, de 1 091 000 € à 1 327 000 € environ ; celui de la valeur d'un client à 6 rachats sur 6, de 847,92 € à 1 003,04 €. Ces intervalles portent sur l'espérance, pas sur ce que réaliseront les clients ; ils supposent le modèle juste et ne couvrent ni l'erreur de modèle, ni l'incertitude sur la marge ou sur le taux d'actualisation.
• Ce que la simulation ne prouve pas : les données sont tirées d'un modèle BG/BB, juste par construction. La simulation mesure le coût des raccourcis quand ce modèle est vrai ; elle ne démontre pas qu'il convient à vos clients.

Le rythme prolongé et le BB traitent chaque client comme s'il était encore là ; ils ignorent la fuite des clients ^[C38]. Du client parfait, 6 rachats sur 6, on n'attend pas 5 achats sur les cinq saisons suivantes mais 3,86 en moyenne : il a pu avoir de la chance, et il peut partir ^[C23]. Les auteurs trouvent la même contraction chez leurs donateurs, 3,75 achats attendus sur cinq ans ^[C22].

La règle d'inactivité regarde la bonne variable, la récence ^[C25], mais elle la transforme en couperet. Comparez deux clients : 5 rachats avec un dernier achat en saison 5 donnent 2,04 achats attendus ; 4 rachats avec un dernier achat en saison 6, 2,74. Le client qui compte un rachat de moins, mais plus récent, vaut davantage — les auteurs observent le même renversement entre deux donateurs, 1,81 contre 2,71 ^[C24]. À l'inverse, un client à 3 rachats d'affilée puis trois saisons de silence a très probablement quitté la station : il ne lui reste que 0,14 de probabilité d'être encore là, contre 0,94 pour tous ceux qui ont acheté la saison 6, quelle que soit leur fréquence ^[C30]. Le rythme prolongé lui prête encore 2,50 achats ; le BG/BB, 0,32.

Enfin, les clients sans aucun rachat pèsent peu un par un, sans être nuls ensemble : 2,9 % de la valeur ici. Chez les auteurs, ces donateurs, plus de 30 % de la cohorte, devraient faire plus de 240 dons en cinq ans, davantage qu'environ la moitié des autres groupes ^{[C26, C27]}.

• Permis : « Sur cette cohorte, si le modèle BG/BB est juste et à 10 % d'actualisation par saison, la valeur résiduelle attendue est d'environ 1 228 000 € de marge actualisée, avec un intervalle de confiance à 95 % environ de 1 091 000 € à 1 327 000 €. »
• Permis : « Dans cette simulation, prolonger le rythme d'achat passé surestime l'espérance des achats des cinq saisons suivantes dans 100 tirages sur 100. »
• Permis : « Les clients muets depuis deux saisons ne sont pas perdus en bloc : si rien ne change, ils portent encore 14,3 % de la valeur attendue. »
• Interdit : dire qu'un client donné est parti, ou qu'il reviendra. Le modèle donne des probabilités et des espérances ; être présent et être actif sont deux choses différentes ^[C31].
• Interdit : conclure qu'une relance fera revenir les clients silencieux. Le modèle prévoit ce qui arrivera si la politique commerciale reste la même ^[C41] ; il ne mesure pas l'effet d'une action ^[C40].
• Interdit : présenter ces chiffres comme un résultat de marché ; les données sont synthétiques.

• Ne pas déclarer perdus, sur une règle, des clients qui achètent encore. Classer les clients par achats attendus — le classement par valeur actualisée est le même ^[C52] — dit où ils en sont, pas ce qu'une relance leur ferait faire : leur marge attendue est celle d'une politique inchangée. Pour savoir si relancer les clients silencieux rapporte plus que cela ne coûte, il faut une expérience, avec un groupe témoin non relancé. Si l'on cible ensuite des actions sur les sorties du modèle, il faut le réestimer sur les données mises à jour ; ses prévisions offrent alors une base peu coûteuse pour suivre l'effet de ces actions ^[C42], et un modèle qui intègre les actions marketing devra traiter l'endogénéité du ciblage, c'est-à-dire le fait que les clients ciblés diffèrent déjà des autres ^[C45].
• Valoriser la base avec prudence. Environ 1 228 000 €, mais plus de la moitié de cette valeur se situe au-delà de l'horizon vérifiable, et selon que le taux retenu est de 15 % ou de 5 %, elle va de 881 456 € à 2 087 835 €, plus que du simple au double. Le montant reste une décision de la direction financière.
• Suivre. Réestimer le modèle chaque saison et comparer ses prévisions à l'observé ^[C43] ; l'estimer séparément pour chaque cohorte d'acquisition et chaque canal ^[C44].

La décision reste humaine et engage la direction commerciale et la direction financière.

• Utiliser : achats rattachés à des occasions fixes — forfait de saison, campagne annuelle de dons, réponse à un catalogue, inscription à un événement annuel ^[C01] — ou comportements rares que l'on choisit de compter par période ^[C05], sans abonnement ni départ déclaré ^[C02].
• Ne pas utiliser avec un abonnement, où l'entreprise voit partir ses clients : voir la page sur la valeur d'un abonné, ou celle sur l'analyse de la rétention et de la survie.
• Ne pas utiliser quand les achats peuvent survenir à tout instant et en nombre : le modèle BG/NBD est alors l'outil adapté — voir la page sur l'estimation de la CLV non contractuelle, qui traite aussi des montants par achat.
• Ne pas utiliser seul pour cibler une action : le modèle ignore l'effet du marketing ^[C40] ; pour repérer les clients à risque à partir de variables explicatives, voir la page sur la prédiction du churn par régression logistique.
• Pour juger une prévision sur des saisons mises de côté, voir la page sur la validation d'une prévision marketing.

• Python 3.14.5, bibliothèque standard seule : msc-p044-reference.py, à lancer par python msc-p044-reference.py
• R 4.6.1, base seule : msc-p044-reference.R, à lancer par Rscript msc-p044-reference.R
• Les deux programmes impriment exactement les mêmes lignes ; leur empreinte sha256, après normalisation des fins de ligne, est consignée dans le manifeste du dossier. Graine déclarée 20261005. Aucune bibliothèque tierce : le logiciel ne valide pas la méthode, il la reproduit.

Le tableau des 22 combinaisons de fréquence et de récence, les quatre paramètres estimés, la validation par récence et par fréquence sur les saisons mises de côté, la valeur de chaque combinaison et de la cohorte avec son intervalle, sa part au-delà de l'horizon vérifié, sa sensibilité au taux d'actualisation et les hypothèses à vérifier avant décision.

• Fader, P. S., Hardie, B. G. S. & Shang, J. (2010). Customer-Base Analysis in a Discrete-Time Noncontractual Setting. Marketing Science 29(6), 1086–1108. ↗ — version publiée, diffusée par INFORMS à l'intention des auteurs, texte intégral vérifié ^[C01–C52].
• Niveau de preuve : démonstration sur données synthétiques tirées du modèle lui-même, un tirage détaillé, un bootstrap de 1 000 cohortes et 100 tirages répétés, reproductible en Python et en R ; code contrôlé sur les valeurs publiées par les auteurs, à partir de leurs données de dons. Ce n'est pas un résultat de marché.