Marketing Science

Optimiser Meta sur la Lifetime Value : du modèle pLTV à l'expérimentation

Comment transformer une prédiction de Lifetime Value en boucle d'optimisation Meta, instrumenter l'expérience et mesurer la valeur incrémentale réellement créée.

Cyril Noirot
Par Cyril Noirot27 septembre 20267 min de lecture
Partager

Une cliente clique sur une publicité Instagram et effectue une première commande de 80 €. Le signal immédiat est simple :

Purchase = 80 €

Mais les données first-party peuvent indiquer que cette cliente générera probablement 420 € sur les prochains mois.

La tentation est alors de remplacer la valeur observée par la valeur prédite et d'attendre que l'algorithme publicitaire trouve de « meilleurs clients ». C'est insuffisant.

Le vrai problème n'est pas de produire une pLTV. Il est de construire une boucle dans laquelle la prédiction modifie une décision média, puis de démontrer que cette décision acquiert incrémentalement des clients de plus grande valeur.

Cet article relie modèle, pipeline d'activation, expérimentation et résultats business.

Une première commande identique peut cacher deux trajectoires

Alice et Emma effectuent toutes les deux une première commande de 80 €.

ClientePremière commandepLTV
Alice80 €420 €
Emma80 €110 €

La transaction initiale les rend identiques. Leurs probabilités de réachat, fréquence, panier futur et risque de churn peuvent pourtant être très différents.

Un modèle pLTV cherche à estimer cette différence à partir des informations disponibles au moment de l'acquisition :

LTV^i=E[LTVi∣Xi]\widehat{LTV}_i = \mathbb{E}[LTV_i \mid X_i]

où XiX_i représente les caractéristiques disponibles pour le client ii.

La prédiction transforme une information qui mettra plusieurs mois à mûrir en un signal disponible rapidement. Elle ne change cependant encore aucune décision.

Une prédiction dans le warehouse n'est pas un produit

Pour influencer l'acquisition, il faut fermer la boucle :

Meta diffuse une publicité
          ↓
Nouveau client
          ↓
Première commande
          ↓
Features et modèle pLTV
          ↓
Valeur prédite
          ↓
Pipeline de conversion
          ↓
Signal reçu par Meta
          ↓
Décisions de diffusion futures

Le modèle répond à une question : quels nouveaux clients semblent avoir le plus de valeur ?

La plateforme répond à une autre : comment modifier la diffusion à partir du signal disponible ?

Le produit est l'ensemble du système, pas l'artefact statistique isolé.

Matching et valeur ont des fonctions différentes

Une prédiction de 420 € ne suffit pas à rendre l'événement exploitable. Le payload doit toujours décrire l'événement et fournir les signaux de matching applicables :

event_id
event_time
fbc / fbp
identifiants autorisés
predicted_value

Le fbc contribue à rapprocher l'événement du parcours publicitaire. La pLTV représente la valeur que l'entreprise attribue au nouveau client. Mélanger ces rôles conduit à un mauvais diagnostic : un modèle peut être excellent alors que les événements sont mal matchés ; le matching peut être bon alors que les valeurs sont mal calibrées.

Les modalités exactes d'envoi et d'utilisation du signal dépendent du produit Meta, de la configuration du compte, de l'éligibilité et des politiques en vigueur. Elles doivent être validées au moment du déploiement plutôt que figées dans l'architecture.

Le vrai produit est une boucle de décision

À ce stade, nous construisons un système de Machine Learning en boucle fermée :

Prédiction
    +
Data Engineering
    +
Décision média
    +
Expérimentation
    +
Valeur observée

Un modèle peut avoir un excellent ranking offline et ne créer aucune valeur si ses prédictions arrivent trop tard, si elles concernent la mauvaise population ou si la plateforme ne peut pas les exploiter.

Inversement, une hausse de performance média ne prouve pas à elle seule que la pLTV en est la cause. La saisonnalité, les créations, les budgets ou le mix d'audience peuvent avoir changé simultanément.

Il faut une expérience.

Tester la décision, pas seulement le modèle

Une architecture simplifiée compare une stratégie actuelle à une stratégie alimentée par la pLTV :

                    Trafic éligible
                          ↓
                  Assignation contrôlée
                          ↓
              ┌───────────┴───────────┐
              ▼                       ▼
           CONTRÔLE                  TEST
     optimisation actuelle     optimisation pLTV
              │                       │
              ▼                       ▼
       clients acquis          clients acquis

L'estimand visé est un effet incrémental :

Impact increˊmental=E[Y∣T=1]−E[Y∣T=0]\text{Impact incrémental} = \mathbb{E}[Y \mid T=1] - \mathbb{E}[Y \mid T=0]

où YY est le résultat business observé et TT l'assignation au traitement.

La randomisation et l'unité d'assignation doivent être compatibles avec le fonctionnement réel de la plateforme. Selon le dispositif, des interférences entre groupes, une phase d'apprentissage ou des contraintes de campagne peuvent empêcher l'interprétation naïve d'un simple split.

Ne pas évaluer la pLTV uniquement avec la pLTV

Supposons que le test donne :

GroupepLTV moyenne
Contrôle180 €
Traitement240 €

Ce résultat montre seulement que le traitement acquiert des clients auxquels le modèle testé attribue une valeur supérieure. Il ne prouve pas que ces clients généreront réellement plus de valeur.

L'évaluation finale doit revenir à des résultats observés arrivés à maturité :

IndicateurContrôlepLTV
Clients10 20010 180
CAC42 €43 €
Revenu J181 €79 €
Valeur observée J90142 €161 €

Une stratégie pLTV peut accepter une première commande légèrement plus faible si la valeur cumulée nette à moyen terme augmente suffisamment. Mais ce compromis doit être décidé à l'avance : horizon, marge, coût média, taux d'actualisation et délai de lecture ne sont pas des détails statistiques.

L'intégrité de l'expérience précède son résultat

Imaginons que 99 % des nouveaux clients disposent d'une prédiction, mais qu'un défaut de pipeline n'en transmette que 3 % à Meta.

Modèle             ✓
Prédictions        ✓
Pipeline           ✗
Signal Meta        presque absent

Si le contrôle et le traitement produisent ensuite des résultats similaires, conclure que « la pLTV ne fonctionne pas » serait injustifié. L'expérience n'a presque pas exposé le système au traitement prévu.

Avant de lire l'uplift, il faut vérifier :

  • la couverture des prédictions sur les nouveaux clients ;
  • le taux d'événements éligibles, envoyés et acceptés ;
  • la latence entre l'achat, le scoring et l'envoi ;
  • la couverture des signaux de matching ;
  • la distribution des valeurs prédites dans chaque groupe ;
  • la stabilité de l'assignation et l'absence de contamination majeure ;
  • la maturité de la cible observée.

C'est l'experiment integrity : vérifier que le système a réellement testé ce que le protocole prétend tester.

Monitorer la chaîne entière

Le monitoring doit relier trois niveaux.

Modèle

  • couverture du scoring ;
  • calibration, ranking et monotonie des segments ;
  • drift des features et de la distribution prédite.

Activation

  • taux de livraison et latence ;
  • couverture fbc, fbp et identifiants autorisés ;
  • doublons, valeurs manquantes et changement de population.

Résultat

  • CAC et volume acquis ;
  • valeur observée aux horizons définis ;
  • marge ou contribution plutôt que revenu lorsque c'est la vraie cible ;
  • effet incrémental et incertitude associée.

Le système doit aussi prévoir une règle d'arrêt. Une dégradation du matching, une dérive de calibration ou une hausse du CAC au-delà d'un seuil ne doit pas attendre la revue trimestrielle.

Du modèle au système de décision

La question offline est : « notre modèle prédit-il correctement la Lifetime Value ? »

La question business est plus exigeante : utiliser cette prédiction pour modifier l'acquisition permet-il d'obtenir, de manière incrémentale et rentable, des clients qui génèrent davantage de valeur ?

La série complète montre pourquoi cette réponse dépend de trois couches indissociables :

  1. préserver le lien entre le clic et la conversion ;
  2. industrialiser un pipeline fiable et observable ;
  3. relier le signal à une décision puis à une expérience causale.

Les modèles prédisent. Le système décide, transporte le signal et rend la décision vérifiable.

Solutions

Tester la mécanique

À propos de l'auteur

Cyril Noirot

Cyril Noirot

Lead Data Scientist

Data scientist freelance. Je conçois et déploie des systèmes de décision — prévision, pricing, marketing measurement, optimisation.

Newsletter

Articles techniques sur la prévision, le pricing et les systèmes de décision. Aucune fréquence imposée.

Enter your email
Subscribe