Matrice RFM : segmenter avec des donnees

80 % du chiffre d'affaires futur d'une entreprise proviendra de 20 % de ses clients actuels (Gartner, 2025). La question est : savez-vous qui sont ces 20 % ?

La matrice RFM est l'un des moyens les plus efficaces de repondre a cette question. Elle est utilisee en marketing direct depuis des decennies et, avec les donnees que tout e-commerce genere aujourd'hui, son implementation est plus accessible que jamais. Cet article explique ce que c'est, comment fonctionne le scoring et comment l'appliquer pour ameliorer la conversion.

Qu'est-ce que l'analyse RFM

RFM est un modele de segmentation client base sur trois variables de comportement d'achat :

Recence : quand le client a effectue son dernier achat
Frequence : combien de fois il a achete sur une periode donnee
Montant (Monetary) : combien d'argent il a depense au total

La premisse est simple : un client qui a achete recemment, achete frequemment et depense beaucoup est plus precieux qu'un autre qui a achete il y a un an, une seule fois et pour un petit montant. Cela semble evident, mais la plupart des entreprises traitent les deux clients de la meme facon.

Pourquoi ca fonctionne

Le modele RFM fonctionne parce qu'il est base sur le comportement reel, pas sur des predictions ou des donnees demographiques. Vous n'avez pas besoin de connaitre l'age, le sexe ou les interets du client. Vous n'avez besoin que de trois donnees deja presentes dans votre base transactionnelle :

Date du dernier achat
Nombre d'achats
Montant total depense

Comment fonctionne le scoring RFM

Etape 1 : Collecter les donnees

Pour chaque client de votre base de donnees, vous avez besoin de :

Variable	Donnee requise	Source
Recence	Date du dernier achat	Base de commandes
Frequence	Nombre total de commandes completees	Base de commandes
Montant	Somme de tous les montants de commandes	Base de commandes

Etape 2 : Diviser en quintiles

Pour chaque variable, classez tous les clients et divisez-les en 5 groupes egaux (quintiles). Attribuez un score de 1 a 5 :

Recence :

5 = achat dans les 7 derniers jours
4 = achat dans les 30 derniers jours
3 = achat dans les 90 derniers jours
2 = achat dans les 180 derniers jours
1 = achat il y a plus de 180 jours

Frequence :

5 = 10+ achats
4 = 6-9 achats
3 = 3-5 achats
2 = 2 achats
1 = 1 achat

Montant :

5 = top 20 % en depenses
4 = 20-40 %
3 = 40-60 %
2 = 60-80 %
1 = 20 % les plus bas

Note : les plages sont indicatives. Chaque entreprise doit les definir en fonction de sa propre realite (valeur moyenne de commande, frequence d'achat typique, saisonnalite).

Etape 3 : Combiner les scores

Chaque client recoit un code a 3 chiffres. Par exemple :

555 : a achete recemment, achete frequemment, depense beaucoup. Votre meilleur client.
111 : a achete il y a longtemps, une seule fois et pour peu. Client a risque de perte totale.
551 : a achete recemment, achete frequemment, mais depense peu. Opportunite de upselling.
155 : n'a pas achete depuis longtemps, mais quand il le faisait, c'etait frequent et a haute valeur. Client a recuperer urgemment.

Etape 4 : Creer des segments actionnables

Vous n'avez pas besoin de travailler avec 125 combinaisons (5x5x5). Regroupez les scores en segments significatifs pour le business :

Segment	Score RFM	Caracteristiques	Action recommandee
Champions	555, 554, 545	Achetent beaucoup, frequemment et recemment	Programme VIP, exclusivite, referrals
Fideles	435, 534, 443	Achetent frequemment avec bonne valeur	Upselling, cross-selling, acces anticipe
Fideles potentiels	512, 513, 412	Achat recent avec frequence moyenne	Inciter le 2e/3e achat
Nouveaux	511, 512, 411	Premier achat recent	Onboarding, email de bienvenue
A risque	255, 254, 245	Etaient de bons clients mais n'ont pas achete depuis un moment	Campagnes de reactivation, offres speciales
En hibernation	155, 144, 133	Haute valeur historique mais inactifs	Win-back agressif ou accepter la perte
Perdus	111, 112, 121	Faible valeur et pas d'activite	Exclure des campagnes payantes, nettoyage base

Applications CRO en e-commerce

L'analyse RFM ne se limite pas a l'email marketing. Elle a des applications directes dans l'optimisation de la conversion de votre site.

1. Personnalisation de l'experience

Si vous connaissez le segment RFM d'un utilisateur qui revient (via login ou cookie), vous pouvez personnaliser son experience :

Champions : montrer les produits premium, acces anticipe aux lancements
Nouveaux : mettre en avant les bestsellers, guides d'utilisation, garanties
A risque : pop-up avec offre de recuperation, produits deja achetes en promotion
Fideles potentiels : recommandations basees sur leur historique pour encourager le deuxieme achat

2. Optimisation des campagnes de retargeting

Au lieu de retargeter tous les visiteurs de la meme facon, segmentez par RFM :

Champions : ils n'ont pas besoin de reduction. Montrez-leur les nouveautes.
A risque : une reduction agressive est justifiee. Acquerir un nouveau client coute 5-7x plus que retenir un existant.
Perdus : excluez ce segment. Le retargeting ne les ramenera pas et vous gaspillez du budget.

3. Allocation du budget marketing

Ou investir davantage ? Le RFM vous donne la reponse basee sur les donnees :

Segment	Investissement recommande	Pourquoi
Champions	Moyen (la retention est peu couteuse)	Ils sont deja fideles. Maintenez la relation
Fideles potentiels	Eleve	ROI maximum en les convertissant en fideles
A risque	Moyen-eleve	Recuperer un client coute moins que d'en acquerir un nouveau
Nouveaux	Eleve	La premiere experience post-achat definit la relation
Perdus	Faible ou nul	ROI attendu faible

4. Conception de tests A/B

Le RFM peut orienter vos experiences CRO. Il n'y a aucun interet a tester la meme variante pour les Champions et les Nouveaux clients : leurs motivations et comportements sont radicalement differents.

Exemples de tests segmentes par RFM :

Champions : test programme de referral vs. pas de programme
Nouveaux : test email d'onboarding long vs. court
A risque : test reduction 10 % vs. 20 % vs. livraison gratuite
Fideles potentiels : test cross-selling au checkout vs. post-achat

Outils pour implementer le RFM

Solutions natives des plateformes e-commerce

Klaviyo : segmentation RFM integree avec scoring automatique. L'option la plus accessible pour le e-commerce Shopify.
Omnisend : segmentation client avec variables comportementales de type RFM.
Drip : scoring des contacts base sur le comportement d'achat.

Outils analytics

Google BigQuery + Looker Studio : pour les e-commerces avec des donnees dans BigQuery, vous pouvez construire le scoring RFM en SQL et le visualiser dans des tableaux de bord.
Python (pandas + scikit-learn) : l'option la plus flexible. Scripts RFM avec clustering K-means pour une segmentation avancee.
Excel / Google Sheets : parfaitement viable pour des bases de donnees jusqu'a 50 000 clients. Quintiles avec la fonction PERCENTILE.

CDPs (Customer Data Platforms)

Segment : collecte et unification des donnees clients pour un scoring RFM en temps reel.
Bloomreach : personnalisation de l'experience basee sur la segmentation RFM native.

Exemple pratique : e-commerce mode

Imaginez un e-commerce mode avec 20 000 clients. Apres application de l'analyse RFM :

Segment	% des clients	% du chiffre d'affaires	Action
Champions (555-445)	8 %	42 %	Programme VIP, livraison gratuite permanente
Fideles (434-335)	15 %	28 %	Cross-selling par email
Fideles potentiels (512-312)	12 %	10 %	Reduction sur le deuxieme achat
Nouveaux (511-411)	20 %	8 %	Sequence de bienvenue optimisee
A risque (244-145)	18 %	9 %	Campagne win-back avec reduction
Perdus (111-122)	27 %	3 %	Exclure des campagnes payantes

La donnee la plus revelante : 8 % des clients generent 42 % du chiffre d'affaires. Sans RFM, vous investiriez autant pour retenir vos Champions que pour essayer de recuperer des clients perdus qui ne representent que 3 % de vos revenus.

Limites du modele RFM

Comme tout modele, le RFM a des limites dont vous devez etre conscient :

Il decrit, il ne predit pas. Le RFM vous dit comment un client se comporte aujourd'hui, pas comment il se comportera demain. Pour la prediction, vous avez besoin de modeles comme le CLV predictif ou la probabilite de churn.
Il ne tient pas compte de la marge. Un client qui depense beaucoup mais n'achete que des produits en promotion peut avoir une valeur reelle inferieure a ce que son score Montant suggere.
Saisonnalite. Un client qui n'achete qu'au Black Friday peut apparaitre comme "A risque" en juillet. Ajustez les plages de Recence en fonction de la saisonnalite de votre activite.
Produits a achat unique. Si vous vendez des matelas ou du gros electromenager, la Frequence a une signification differente. Adaptez le modele a votre cycle d'achat naturel.

La matrice RFM est un outil puissant car elle transforme des donnees que vous possedez deja en decisions actionnables. Vous n'avez pas besoin de machine learning ni d'outils sophistiques pour commencer : un tableur et votre base de commandes suffisent.

Si vous souhaitez aller au-dela de la segmentation et optimiser l'experience de conversion pour chaque segment, chez Boost nous faisons du CRO base sur les donnees. Et pour un premier diagnostic de votre site, essayez Scan&Boost.

— Adrià Vidal, Boost