Valeur client
Valeur vie client, churn et recommandations produit
Des modèles qui décident qui acquérir, qui retenir et quoi montrer : une valeur prédite utilisée pour l'activation, un churn scoré tant qu'une action reste possible, des recommandations auditables même quand un LLM entre en jeu.
Ce que ça donne en général
- L'acquisition est optimisée au coût par installation, et les installations ne deviennent pas des clients.
- Le modèle de CLV a un bon R² et l'équipe CRM ne peut rien en faire.
- Le churn est prédit une semaine avant, quand plus rien ne peut le changer.
- Le moteur de recommandation est une boîte noire, et le merchandising ne fait plus confiance à ce qu'il classe.
Ce que vous obtenez
Des scores de valeur construits pour la décision
Directionnels quand c'est le classement qui compte, calibrés quand c'est un montant en euros. Branchés sur les canaux qui agissent : audiences, CRM, budget.
Churn et uplift, pas seulement de la propension
Qui contacter parce que le contact change le résultat, avec des groupes témoins qui le prouvent.
Des recommandations sous contrôle
Les règles métier d'abord, le modèle ensuite, le LLM seulement là où il mérite sa place. Chaque classement explicable à la personne qui possède le catalogue.
Le transfert
Le pipeline de scoring, le monitoring sur les métriques qui bougent, et la documentation de chaque seuil.
Cas sélectionnés
Marketing Science
CLV-driven acquisition & budget allocation
Predictive CLV modeling combined with lookalike audience optimization to shift acquisition from volume metrics to value-based targeting.
Acquisition budget targeted on predicted subscriber value instead of installs
Generative AI
AI-guided recommendation engine for premium floral e-commerce
A production-oriented recommendation system that guides customers through emotionally loaded floral purchases — using a deterministic state machine with LLM components constrained to intent parsing and rationale generation only.
Guided purchase flow in production: auditable recommendations, business rules editable without a deploy
Profondeur
Jun 18, 2026
For Activation, a Directional LTV Model Beats an Accurate One
A staff-level field guide to predicted LTV for marketing activation: why ranking beats accuracy, why a directional model can beat an accurate one for seeding audiences, and where the whole thing quietly goes wrong.
Aug 15, 2026
Pourquoi un bon modèle pLTV peut avoir un mauvais R²
Pourquoi le R² évalue souvent mal un modèle de predicted Lifetime Value destiné à l'activation marketing, et quelles métriques utiliser pour piloter les segments en production.
Mar 2, 2026
From Propensity Scores to Learning Systems: What Most CRM Teams Get Wrong
Most CRM organizations don't have a feedback loop. They have a broadcasting system. The shift from propensity to uplift modeling changes everything.
Apr 12, 2026
Building a recommendation engine that doesn't trust the LLM
This is the engineering companion to the production architecture piece. Instead of re-arguing why open-ended agents are risky in commerce, it walks through the actual implementation choices in `ai-florist`: FastAPI boundaries, LangGraph orchestration, pgvector retrieval, learned scoring weights, deterministic fallbacks, and runtime observability.
Aug 15, 2026
Building a Customer-Brand Affinity Engine for Physical Retail
A technical architecture for customer-brand affinity in physical retail: customer windows, lift and PMI, Item2Vec embeddings, graph construction, constrained layout optimization, and causal validation.
Jul 28, 2025
Double Jeopardy in marketing: Why market leaders win twice
Understanding the mathematical law that explains why large brands not only have more buyers but also enjoy higher loyalty—and how it reshapes marketing strategy
Comment ça démarre
Le diagnostic d'abord, la construction ensuite.
01 · Diagnostic du système de décision · À partir de 12 000 €
Trois mois, une décision critique. On établit quelle décision client le modèle sert, on mesure la baseline, on teste ce que les données peuvent soutenir, et on conçoit le rythme opérationnel. Vous obtenez des preuves, une architecture cible et une feuille de route chiffrée.
02 · Conception et construction
Les modèles de scoring, la logique d'activation, le protocole de groupes témoins et le pipeline qui les fait tourner. Cadré à partir de la feuille de route, facturé à la mission.
03 · Opérer et transférer
Monitoring, contrôle de drift, documentation, et la formation pour faire tourner le système sans moi.