Ciblage segmenté

Le ciblage segmenté est une approche systémique du choix de qui, quoi, quand et par quel canal montrer, en s'appuyant sur des données sur le comportement, la valeur et les risques. Objectif : maximiser l'effet incrémental (revenu/rétention) en minimisant les dommages et les dépenses.

1) Objectifs et niveaux de segmentation

Objectifs : activation, monétisation, rétention, ré-activation, cross-sell, intervention RG/conformité.

Niveaux :

Démographie/géo/appareil (base).
Comportement/RFM (recency, frequency, monetary).
Valeur (LTV/marge).
Tendances (propensity à l'événement : dépôt, achat, churn).
Uplift/sensibilité (probabilité de gain de contact).
Granularité : marque × pays × plate-forme × canal × catégorie de contenu - s'accorder avec le volume de trafic et le budget.

2) Données et caractéristiques

Événements : visites, clics, inscriptions, jeux/paris, dépôts/achats, réponses aux campagnes.
Contexte : calendrier (vacances/matchs/salaires), canal d'attraction, version de l'application, prix/limites.
Identités : user/device/IDFA/téléphone/e-mail ; les ponts identitaires.
Fichi : fenêtres RFM (7/30/90), variété de contenu, heure/jour de la semaine, ARPPU/fréquence, réponses à pushi/e-mail.
Qualité : idempotence des événements, dedup/antibot, TZ = stockage UTC + représentations locales.

3) Méthodes de segmentation

3. 1 Règles (rule-based)

Avantages : explication, rapidité, fail-safe.
Inconvénients : fragilité, optimums locaux.
Exemple : « débutants, sans deuxième visite 48h, mobiles iOS ».

3. 2 Cohortes comportementales (RFM/modèles)

Classes « fraîcheur × fréquence × revenu ».
Ajoutez des clusters comportementaux : catégories préférées/créneaux horaires.

3. 3 Clustering/embeddings

k-means/DBSCAN/mixes de Gauss selon des métriques comportementales normalisées.
Embeddings de contenu/utilisateurs (matrix factorisation) → clusters d'intérêts.

3. 4 Tendances (propensity/score-based)

Modèles de probabilité d'événement : dépôt, visite répétée, apsail ; les seuils sont du coût des erreurs.

3. 5 Uplift/sensibilité

Modèles de croissance par contact (T-learner, Uplift trees/GBM).
Зоны: Persuadables / Sure things / Do-not-disturb / Lost causes.
L'uplift-ciblage donne le plus d'incréments avec les mêmes budgets.

4) Conception des politiques de ciblage

Table de décision (croquis)

Segment/condition	Contexte	Action	Canal	Кулдаун	Guardrails
RFM: R7=0, F1, M0; `uplift_dep ≥ 0. 06`	les nouveaux arrivants	welcome-offer S	push+in-app	3д	ROMI≥0
`churn_risk ≥ 0. 8` & `value_q ≥ 0. 8`	VIP	offer L/appel	CRM+call	7д	zhaloby≤Kh
`RG_risk ≥ τ`	Chacun	pause + conseil de RG	in-app	1д	FPR≤1%

Hystérésis : les seuils d'entrée/sortie sont différents pour ne pas « clignoter ».
Quotas/taux-limite : par utilisateur/canal/segment ; les politiques de conflit sont la priorité « sécurité → économie → UX ».

5) Expériences et évaluation causale

A/B/tests multiraciaux : pour les segments/politiques/créatifs ; prévoir MDE, durée, stratification.
Quasi-expériences : DiD/contrôle synthétique dans les retraits régionaux.
Estimation : recettes incrémentielles/rétention, uplift @ k, Qini/AUUC, ROMI, guardrails (plaintes, RG).
Budget-pacing : répartition du budget par segment en fonction du rendement de marge attendu.

6) Canaux et orchestration

Canaux : in-app, push, e-mail, SMS, appels, modules onsite, vitrines personnalisées.
Orchestrateur : livraison garantie, retraits/backoff, idempotentialité 'action _ id', DLQ, priorités, fenêtre « montre tranquille ».
Contenu/création : bibliothèque de modèles, A/B pour les créations, caps de fréquence.

7) Métriques et surveillance

Processus : segment coverage, latinité (Decision→Action), délivrabilité, fréquence des contacts.
Effet : incrément de recettes/retenues, ROMI, uplift @ k, Qini/AUUC, NNT (combien de contacts pour 1 résultat).
Risques : plaintes/désinscriptions/drapeaux de spam, indicateurs RG, fairness (différence d'effets/erreurs par groupe).
Dérive : PSI/KL sur les fiches clés de segmentation, proportion de « nouveaux » utilisateurs en dehors des clusters connus.

8) Lien avec la valeur et les risques

pondération LTV : hiérarchiser les segments sur la valeur attendue plutôt que sur la conversion « nue ».

Règle EV :

[
EV = p_{\text{uspekh	action} }\cdot\text {Value} -\text {Cost} - p_{\text{vred}}\cdot\text{Harm}
]

Contactez si EV ≥ 0 et que les guardrails sont normaux.
Responsabilité : RG/conformité a priorité ; L'explication de la décision est obligatoire.

9) Passeports des segments et des campagnes (templates)

Passeport du segment

Code : 'SEG _ RFM _ R0-7 _ F1-2 _ M0 _ Q3'

Définition et recette fictive (fenêtres 7/30/90, filtres antibot/fred)

Taille/mise à jour/fraîcheur ; intersection avec d'autres segments

Risques et exclusions (RG/conformité), propriétaire, version

Passeport de campagne

Objectif et KPI (revenu incrémental/rétention, ROMI)

Segment/canaux/création/caps de fréquence

Conception de l'évaluation (A/B ou quasi-évaluation), durée, EMI

Guardrails : zhaloby≤Kh, RG- flagi≤U, latency≤Z

Plan de retour et runibook des incidents

10) Pseudo-SQL/recettes

Segmentation RFM (sketch)

sql
WITH acts AS (
SELECT user_id,
MAX(ts)                  AS last_act,
COUNT() FILTER (WHERE ts > NOW()-INTERVAL '30 day') AS freq_30d,
SUM(amount) FILTER (WHERE ts > NOW()-INTERVAL '90 day') AS money_90d
FROM user_activity LEFT JOIN payments USING(user_id)
GROUP BY 1
),
rfm AS (
SELECT user_id,
DATE_PART('day', NOW() - last_act) AS recency_days,
freq_30d,
money_90d
FROM acts
)
SELECT,
CASE WHEN recency_days<=7 THEN 'R0-7'
WHEN recency_days<=30 THEN 'R8-30' ELSE 'R31+' END AS R_bucket,
CASE WHEN freq_30d>=10 THEN 'F10+'
WHEN freq_30d>=3 THEN 'F3-9' ELSE 'F0-2' END    AS F_bucket,
CASE WHEN money_90d>=200 THEN 'M200+'
WHEN money_90d>=50 THEN 'M50-199' ELSE 'M0-49' END AS M_bucket
FROM rfm;

Propension au dépôt (train slice, pas de fuites)

sql
-- label: deposit in next 7 days
WITH snap AS (SELECT DATE_TRUNC('day',:cut) AS cut),
feat AS (... your RFM/behavioral features with condition ts <= cut...),
label AS (
SELECT u. user_id,
CASE WHEN EXISTS (
SELECT 1 FROM payments p
WHERE p. user_id=u. user_id
AND p. ts > cut AND p. ts <= cut + INTERVAL '7 day'
) THEN 1 ELSE 0 END AS dep_next_7d
FROM users u CROSS JOIN snap
)
SELECT FROM feat JOIN label USING(user_id);

11) Fairness, vie privée et éthique

Minimisation PII : Tokénisation des identifiants, RLS/CLS, masquage.
Fairness : vérifier les différences d'effets/erreurs entre les groupes sensibles ; exclure les signes non valides.
Transparence : raisons du ciblage (top-features/regles) - disponible à Sapport ; la voie de l'appel.
Caps de fréquence et « horloge silencieuse » - contre la fatigue et les dommages à l'utilisateur.

12) Anti-modèles

Segments « pour la beauté » sans incrément mesurable.
Estimation par corrélation et non par incrément (pas de A/B/DiD).
De nombreux segments se chevauchent → des actions conflictuelles et des spams.
Les solutions de seuil sans hystérésis → le « clignotement » des contacts.
Absence de guardrails (RG/plaintes/fréquence) et explication.
Sans orchestre en ligne, les contacts sont en retard, l'effet est perdu.

13) Chèque de lancement du ciblage segmenté

Les objectifs, les indicateurs clés de performance et le budget ont été définis ; niveau de granularité convenu
Schémas de données et fiches de prescription PIT ; Antibot/filtres frod inclus
Les segments sont décrits par les passeports ; conflit-matrice et priorités définies
Méthode choisie (règles/clustering/propensity/uplift) et conception d'évaluation
Tables de décision, hystérésis, kaps et rate-limit personnalisés
Orchestrateur et chaînes avec idempotence et DLQ ; « heures silencieuses »
Suivi : effet (uplift/ROMI), risques (plaintes/RG), dérive de fiche
Documentation : versions des segments/politiques, propriétaires, runbooks

Résultat

Le ciblage segmenté n'est pas un ensemble de « raccourcis » dans le CRM, mais un système géré : données et signes qualitatifs → segments significatifs (valeur/comportement/sensibilité) → politiques avec hystérésis et guardrails → évaluation causale de l'incrément → orchestrateur stable et suivi. Un tel système améliore la ROMI et la LTV en réduisant les plaintes et les risques - et rend chaque contact approprié, opportun et éthique.

Ciblage segmenté