La fidélité n’est pas un sentiment. C’est une probabilité.

Marketing has spent decades romanticising loyalty.

Le vocabulaire est émotionnel. Les marques parlent d’amour, de confiance, de dévotion, de communautés, d’ambassadeurs et de fans. Les équipes CRM construisent des parcours conçus pour « nourrir les relations ». Les programmes de fidélité promettent une reconnaissance. Les présentations au conseil d’administration évoquent les « clients fidélisés » comme si la rétention était une réalité acquise.

Mais le comportement des consommateurs est rarement aussi ordonné.

La plupart des clients ne sont pas fidèles de la manière dont les marques le souhaitent. Ils sont habituels, distraits, porteurs d’un répertoire de marques, sensibles aux promotions, tributaires du contexte et souvent silencieux. Ils ne partent pas toujours avec une plainte. Ils achètent simplement moins souvent, répartissent leurs dépenses de catégorie, expérimentent des alternatives ou disparaissent dans le jeu de données d’une autre marque.

C’est pourquoi l’évolution des modèles de fidélité et d’attrition est si importante. Des premiers modèles de Markov sur la commutation de marques aux cadres combinés de Hendry, Dirichlet et Negative Binomial Distribution, la science du marketing s’est progressivement éloignée de la fidélité comme sentiment pour se rapprocher de la fidélité comme probabilité comportementale.

Cette distinction n’est pas seulement académique. Elle change la façon dont les marketeurs devraient penser à la rétention, au risque de désabonnement, aux achats répétés, à la croissance de la marque et aux limites du CRM.

Dans un marché où les coûts d’acquisition sont élevés, où la commutation est facile et où l’attention des consommateurs est instable, les marques gagnantes ne seront pas celles qui croient le plus fort à la fidélité. Ce seront celles qui la modélisent avec le plus de précision.

Le mythe de la fidélité

L’idée traditionnelle du marketing en matière de fidélité est séduisante parce qu’elle est simple. Un client achète une marque de manière répétée, donc le client est fidèle. Un client cesse d’acheter, donc le client a abandonné. Un client rejoint un programme de fidélité, donc la marque a renforcé la relation.

Ces trois hypothèses sont fragiles.

L’achat répété peut être motivé par l’habitude, la disponibilité, l’inertie, l’absence d’alternatives, les promotions de prix ou la fréquence d’achat de catégorie. Le désabonnement peut être formel, visible et contractuel — comme dans les télécoms ou les logiciels par abonnement — mais dans la plupart des catégories de consommation, il est caché. L’adhésion à un programme de fidélité peut indiquer un intérêt, mais peut aussi signaler une recherche de bonnes affaires.

Le problème plus profond est que la fidélité est souvent traitée comme un état. En réalité, c’est un processus.

Un acheteur en épicerie peut acheter le même détergent plusieurs fois, puis changer parce qu’une autre marque est en promotion. Un abonné à une plateforme de streaming peut rester actif pendant des mois, puis annuler après un creux de contenu. Un client de mode peut acheter deux fois en une saison et ne pas revenir pendant un an. Un client bancaire peut rester techniquement actif tout en étant mentalement désengagé.

Dans tous ces cas, la question managériale utile n’est pas de savoir si le client est fidèle. C’est de savoir ce que le client est susceptible de faire ensuite.

C’est là qu’interviennent les modèles stochastiques.

Les modèles de diffusion expliquent l’adoption. Les modèles de fidélité expliquent la survie.

La distinction est importante. Les modèles de diffusion, tels que le modèle de croissance pour les biens durables de consommation de Frank Bass (1969), expliquent comment l’adoption se propage dans un marché.

Les modèles de diffusion, tels que le modèle de croissance pour les biens durables de consommation de Frank Bass (1969), expliquent comment l’adoption se propage dans un marché. Ils aident les marketeurs à réfléchir aux innovateurs, aux imitateurs, aux effets du bouche-à-oreille et à la forme de la croissance de la catégorie. Ils sont utiles lorsque la question centrale est : comment un produit, une technologie ou un comportement va-t-il pénétrer une population ?

Les modèles de fidélité et d’attrition répondent à une question différente : après que les clients entrent sur le marché ou achètent la marque, que se passe-t-il ensuite ?

Un modèle de diffusion peut montrer à quelle vitesse un service d’abonnement pourrait acquérir des utilisateurs. Un modèle de fidélité montre si ces utilisateurs restent. Un modèle de diffusion peut prévoir l’adoption de catégorie pour un nouveau produit. Un modèle d’achat répété montre la fréquence à laquelle les adoptants reviennent et comment ils répartissent les achats entre les marques concurrentes.

Les deux perspectives sont complémentaires. La diffusion sans rétention crée une croissance avec des fuites. La rétention sans diffusion crée une base de clients stable mais limitée. Le moteur commercial a besoin des deux : l’afflux de clients et la persistance des clients.

C’est pourquoi l’évolution de la modélisation de l’adoption vers la modélisation de la fidélité et de l’attrition est si significative. Elle fait évoluer le marketing de « comment les clients arrivent-ils ? » à « comment les clients se comportent-ils dans le temps ? »

Modèles de Markov : la fidélité comme mouvement entre états

Les modèles de Markov figuraient parmi les premiers outils formels utilisés pour modéliser la commutation de marques et le comportement d’achat répété.

L’idée de base est simple. Les clients se déplacent entre des états. Un état peut être « achète la Marque A », « achète la Marque B », « inactif », « actif », « à risque » ou « abandonné ». Un modèle de Markov estime la probabilité qu’un client passe d’un état à un autre entre des périodes ou des occasions d’achat.

Dans l’analyse de commutation de marques, le modèle peut estimer la probabilité que quelqu’un qui a acheté la Marque A la dernière fois achète à nouveau la Marque A, passe à la Marque B ou quitte la catégorie. Dans l’analyse de rétention, il peut estimer la probabilité qu’un client actif devienne dormant, ou qu’un client dormant se réactive.

La force des modèles de Markov est qu’ils rendent la fidélité dynamique. Les clients ne sont plus classifiés une fois pour toutes. Ils sont vus comme se déplaçant à travers des états comportementaux.

Cela est utile pour les managers car cela crée une réflexion basée sur les transitions. Une stratégie de rétention ne consiste pas seulement à « sauver des clients ». Il s’agit de réduire la probabilité de passage de l’actif à l’inactif, d’augmenter la probabilité de passage de l’essai à la répétition, ou d’améliorer la chance qu’un client lapsé revienne.

Dans les télécoms et les marchés d’abonnement, les modèles de Markov ont été utilisés pour estimer le comportement de commutation et la part de marché à long terme. Des études telles que le travail d’Ansah-Narh et collègues sur la commutation de marques des abonnés dans les services de réseau ghanéens montrent comment les chaînes de Markov peuvent être appliquées pour prédire le comportement de commutation et la part de marché ergodique. Des articles plus récents, incluant celui de Jiaqi Liang sur l’analyse de l’application de la chaîne de Markov dans la prédiction du comportement des consommateurs (2024), continuent de positionner les chaînes de Markov comme des outils utiles pour modéliser les transitions des consommateurs et soutenir la stratégie marketing.

Des articles plus récents, incluant celui de Jiaqi Liang sur l’analyse de l’application de la chaîne de Markov dans la prédiction du comportement des consommateurs (2024), continuent de positionner les chaînes de Markov comme des outils utiles pour modéliser les transitions des consommateurs et soutenir la stratégie marketing.

Mais les modèles de Markov ont des limites.

Les modèles de Markov classiques supposent souvent que l’état suivant dépend principalement de l’état actuel. Ils peuvent sous-estimer l’hétérogénéité plus profonde des clients : certaines personnes sont naturellement des acheteurs plus importants de la catégorie, certains sont plus portés sur la variété, certains sont plus fidèles, et certains sont plus sensibles aux promotions. Une matrice de transition peut capturer le mouvement observé, mais peut ne pas expliquer complètement pourquoi les clients se déplacent différemment.

Cette limitation est importante car la fidélité ne concerne pas seulement la commutation. Il s’agit aussi de la fréquence d’achat.

NBD : le fondement oublié de l’achat répété

La Negative Binomial Distribution (NBD) est centrale pour comprendre les achats répétés.

Le NBD est utilisé pour modéliser l’incidence des achats : à quelle fréquence les clients achètent dans une catégorie sur une période donnée. Son importance réside dans la reconnaissance de l’hétérogénéité. Les clients n’achètent pas tous au même rythme. Certains achètent fréquemment. Beaucoup achètent occasionnellement. Certains achètent à peine.

Cela peut sembler évident, mais les conséquences sont profondes.

Si un client achète une catégorie dix fois par an et un autre une seule fois, le premier client a dix occasions de répéter, de changer, de répondre aux promotions ou d’être compté comme fidèle. Le second en a une. Sans modéliser la fréquence d’achat, les marketeurs peuvent facilement mal interpréter la fidélité.

Généraliser le modèle NBD pour les achats des clients de Morrison et Schmittlein (1988) est une contribution clé dans cette tradition. Il aborde la modélisation des comptages d’achats des clients et les implications de l’extension du cadre NBD.

Le NBD aide à expliquer pourquoi de nombreuses bases de clients sont très inégales. Les acheteurs importants dominent le volume, mais les acheteurs légers dominent l’effectif. Cette distinction est essentielle pour la stratégie de marque.

Un marketeur qui ne regarde que les taux d’achat répété peut conclure qu’une marque a un petit groupe de clients très fidèles. Un marketeur utilisant la réflexion NBD peut voir que les ventes de la marque sont concentrées parmi les acheteurs importants de la catégorie, tandis que la plus grande opportunité de croissance réside dans l’augmentation de la pénétration parmi les acheteurs légers et occasionnels.

C’est l’une des raisons pour lesquelles la stratégie de fidélité peut devenir trompeuse. Elle se concentre trop sur les acheteurs importants parce qu’ils sont visibles, mesurables et réactifs. Mais la croissance de la marque dépend souvent aussi d’atteindre de nombreux acheteurs légers.

Le modèle de Dirichlet : le grand démystificateur de la fidélité

Le modèle de Dirichlet est l’une des contributions les plus importantes — et les plus inconfortables — de la science du marketing.

Développé par Goodhardt, Ehrenberg et Chatfield, Le Dirichlet : un modèle complet du comportement d’achat (1984, avec des éditions et extensions ultérieures) combine deux composantes : le NBD pour l’incidence des achats de catégorie et une structure Dirichlet-multinomiale pour le choix de marque.

En termes plus simples, il modélise la fréquence à laquelle les personnes achètent la catégorie et la façon dont elles répartissent ces achats entre les marques.

Sa puissance réside dans le fait de montrer que de nombreux schémas de fidélité observés peuvent être expliqués sans supposer un attachement psychologique profond. L’achat répété, la commutation de marques, la duplication des achats, le comportement de répertoire et les différences de fidélité entre les grandes et les petites marques suivent souvent des régularités statistiques prévisibles.

Cela crée une vision très différente de la fidélité à la marque.

Les grandes marques ont tendance à avoir plus d’acheteurs et des acheteurs légèrement plus fidèles. C’est le schéma bien connu du double jeopardy (double pénalité) : les petites marques souffrent deux fois, car elles ont moins de clients et ces clients les achètent légèrement moins souvent. L’implication est que la fidélité est fortement liée à la pénétration. Les marques ne grandissent généralement pas en transformant un petit nombre de clients en dévots exclusifs. Elles grandissent en augmentant leur base d’acheteurs.

That conclusion is uncomfortable for loyalty-led marketing. It challenges the idea that brands can easily engineer deep devotion through CRM, content or community. It suggests that, in many categories, customers are repertoire buyers who spread their purchases across a set of acceptable brands.

La fidélité à l’achat est polarisée en schémas de répertoire ou d’abonnement de Sharp, Wright et Goodhardt (2002) est utile ici. Elle distingue entre les marchés de répertoire, où les consommateurs achètent auprès de plusieurs marques au fil du temps, et les marchés d’abonnement, où les consommateurs ont tendance à maintenir un seul fournisseur jusqu’au changement. Cela est important car une stratégie de fidélité dans une catégorie d’épicerie ne devrait pas ressembler à une stratégie de fidélité dans les contrats mobiles ou l’assurance.

Le message du modèle de Dirichlet n’est pas que la fidélité est sans importance. C’est que la fidélité doit être comprise en relation avec la structure de la catégorie.

Modèles de Hendry : le pont adaptatif

La famille de modèles de Hendry s’inscrit dans une tradition plus pragmatique de modélisation des achats répétés et de la commutation de marques. Elle a été développée pour la modélisation commerciale des marchés et souvent utilisée pour prévoir la manière dont les nouveaux produits, les activités marketing et les dynamiques concurrentielles affectent les achats répétés et la part de marché.

Là où le modèle de Dirichlet est célèbre pour identifier des régularités empiriques stables, les modèles de type Hendry sont plus orientés vers l’intervention. Ils visent à intégrer les effets de la notoriété, de l’essai, de l’achat répété, de la commutation et de l’activité marketing.

Cela les rend pertinents pour les managers car les marchés réels ne sont pas toujours stables. Les lancements, les promotions, les changements de distribution, les modifications d’emballage, les mouvements de prix et les campagnes concurrentielles peuvent modifier les comportements. Un modèle qui ne décrit que l’équilibre peut ne pas suffire lorsqu’une marque essaie de prévoir l’impact d’une action.

La force des approches de style Hendry est qu’elles connectent la modélisation comportementale à la planification commerciale. Elles peuvent aider à estimer les trajectoires d’essai, de répétition, de commutation et de part, en particulier pour les nouveaux produits ou les marchés en évolution.

La faiblesse est que ces modèles peuvent devenir gourmands en données et lourds en hypothèses. Si les données d’entrée sont faibles, le modèle peut donner une impression trompeuse de précision.

Néanmoins, dans l’évolution de la modélisation de la fidélité et de l’attrition, les cadres de Hendry représentent un pont important entre les régularités de marché agrégées et la simulation managériale.

Comparaison des modèles

Chaque famille de modèles répond à une question différente.

Les modèles de Markov se demandent : comment les clients se déplacent-ils entre les états ?

Ils sont utiles pour modéliser la commutation de marques, les états de désabonnement, les chemins de réactivation et les probabilités de transition. Leur valeur managériale réside dans la dynamisation de la rétention.

Les modèles NBD se demandent : à quelle fréquence les clients achètent-ils ?

They are useful for understanding purchase frequency, customer heterogeneity and the concentration of volume among heavy buyers. Their value lies in preventing marketers from confusing frequency with loyalty.

Dirichlet models ask: how do customers split category purchases across brands?

They are useful for understanding repertoire buying, duplication of purchase, double jeopardy and expected loyalty patterns. Their value lies in grounding brand strategy in empirical regularities.

Hendry models ask: how do trial, repeat, switching and marketing interventions shape future share?

Ils sont utiles pour prévoir les effets des lancements, des mouvements concurrentiels et des activités marketing. Leur valeur réside dans la simulation managériale.

Aucun modèle n’est « le meilleur » de façon isolée. La meilleure question est de savoir quel problème comportemental un marketeur essaie de résoudre.

Pour les produits de grande consommation, où les clients achètent fréquemment auprès de plusieurs marques, la pensée NBD-Dirichlet est particulièrement puissante. Pour les télécoms ou les abonnements, où les clients sont plus susceptibles de rester avec un fournisseur jusqu’au changement, les modèles de Markov et d’attrition peuvent être plus utiles. Pour les nouveaux lancements de produits, les modèles de diffusion et de répétition de style Hendry peuvent fonctionner ensemble. Pour le CRM, la prédiction du désabonnement et la valeur vie client, la logique de Markov peut être combinée avec des modèles de survie, l’apprentissage automatique et des modèles d’achat probabilistes.

La leçon importante est que la fidélité est multidimensionnelle. Elle implique la fréquence d’achat, le choix de marque, la probabilité de commutation, la structure de catégorie et le temps.

Ce que ces modèles révèlent sur l’attrition

L’attrition est souvent mal comprise parce que les entreprises veulent qu’elle soit visible. Un client annule. Un utilisateur se désabonne. Un acheteur ferme un compte. Un contrat se termine.

Mais dans de nombreuses catégories, l’attrition est invisible. Le client cesse simplement d’acheter.

C’est le problème classique non contractuel. Un détaillant ne sait pas si un client a abandonné après 60 jours de silence. Une marque de mode ne sait pas si un client qui a acheté l’hiver dernier est parti, attend, ou est simplement hors saison. Une marque d’épicerie sait rarement si un ménage a fait défection totalement ou a simplement acheté une autre marque lors du dernier voyage.

Les modèles de Markov aident en estimant les transitions entre les états actifs, dormants et perdus. Les modèles basés sur le NBD aident en estimant si le schéma d’achat observé est cohérent avec un comportement de faible fréquence normal ou avec une véritable attrition. Les modèles de Dirichlet aident en clarifiant si la commutation est anormale ou simplement une partie de l’achat de répertoire.

C’est essentiel car tout silence n’est pas un désabonnement.

Un acheteur léger peut avoir un long intervalle naturel entre achats. Un acheteur important qui s’arrête soudainement est plus préoccupant. Un acheteur de répertoire qui change occasionnellement est normal. Un client d’abonnement qui annule est structurellement différent.

Le marketing a besoin de modèles qui distinguent ces cas.

L’essor de l’IA dans la rétention et son angle mort

La couverture récente de l’industrie s’est fortement tournée vers la rétention, la personnalisation et la gestion des clients pilotée par l’IA.

La couverture de la fidélité client 2025 d’Adobe encadre la fidélité comme une relation soutenue construite par la confiance, les interactions répétées et les expériences positives. L’Indice de fidélité client 2025 de SAP Emarsys et son playbook de rétention se concentrent sur le besoin d’engagement structuré, de personnalisation et de stratégies de rétention. L’article 2025 de McKinsey sur la « prochaine meilleure expérience » soutient que l’IA peut alimenter des interactions client plus pertinentes et améliorer la valeur vie client grâce à l’analyse prédictive et à la personnalisation.

La direction est commercialement compréhensible. Les marques veulent identifier la prochaine meilleure offre, message, canal et timing pour chaque client. Elles veulent prévenir le désabonnement avant qu’il ne se produise. Elles veulent augmenter l’achat répété grâce à une meilleure orchestration.

Mais il y a un risque : l’IA peut redécouvrir de vieilles vérités de manière incorrecte.

Un modèle de désabonnement entraîné sur des données comportementales peut prédire la défection, mais sans comprendre les schémas d’achat de catégorie, il peut confondre les acheteurs légers avec les clients perdus. Un moteur de personnalisation peut sur-cibler les acheteurs importants parce qu’ils sont les plus faciles à activer. Un programme de fidélité peut récompenser des clients qui auraient acheté de toute façon. Une campagne de rétention peut dépenser de l’argent pour prévenir un désabonnement qui n’était jamais probable.

C’est pourquoi les anciens modèles restent importants. Les cadres de Markov, Dirichlet et NBD apportent une discipline comportementale. Ils rappellent aux marketeurs de se demander si le comportement observé est inhabituel, ou simplement attendu compte tenu de la fréquence d’achat et de la structure de la catégorie.

L’IA moderne peut améliorer la prédiction. Mais sans science du marketing, elle peut mal interpréter les comportements.

Les conséquences managériales

Pour les marketeurs, les implications pratiques sont substantielles.

Premièrement, ne traitez pas la fidélité uniquement comme une attitude. Les attitudes importent, mais le comportement est la preuve. Une marque peut avoir une forte affinité et un faible achat répété. Elle peut aussi avoir une faible saillance émotionnelle mais un fort achat habituel.

Septièmement, mesurez l’incrémentalité. Une campagne de rétention qui atteint des acheteurs à haute probabilité de répétition peut sembler réussie tout en créant peu de valeur incrémentale. Les modèles doivent identifier non seulement qui est susceptible d’acheter, mais dont le comportement peut être modifié.

Pourquoi cela importe pour la croissance de la marque

La plus grande tension stratégique est entre la fidélité et la pénétration. De nombreuses entreprises sur-investissent dans la fidélité parce que les clients existants sont plus faciles à identifier, cibler et mesurer. Les tableaux de bord de rétention semblent plus contrôlables que la construction large de la marque. Les programmes de fidélité produisent des données. Les campagnes CRM produisent une réponse immédiate.

De nombreuses entreprises sur-investissent dans la fidélité parce que les clients existants sont plus faciles à identifier, cibler et mesurer. Les tableaux de bord de rétention semblent plus contrôlables que la construction large de la marque. Les programmes de fidélité produisent des données. Les campagnes CRM produisent une réponse immédiate.

Mais la tradition Dirichlet suggère que la croissance dépend souvent fortement de la pénétration : amener plus de personnes à acheter la marque au moins occasionnellement. La fidélité tend à évoluer avec l’échelle, et non indépendamment d’elle.

Cela ne signifie pas que la rétention est sans importance. Cela signifie que la rétention doit être comprise de manière réaliste.

Pour les petites marques, essayer de fabriquer une fidélité extrême peut être moins efficace que d’augmenter la disponibilité mentale et physique. Pour les grandes marques, protéger l’achat répété est important, mais la marque a encore besoin d’une large portée. Pour les entreprises d’abonnement, réduire le désabonnement peut être essentiel, mais la qualité de l’acquisition et l’intégration peuvent être aussi importantes que les campagnes de sauvegarde tardives.

La plus grande tension stratégique est entre la fidélité et la pénétration. De nombreuses entreprises sur-investissent dans la fidélité parce que les clients existants sont plus faciles à identifier, cibler et mesurer. Les tableaux de bord de rétention semblent plus contrôlables que la construction large de la marque. Les programmes de fidélité produisent des données. Les campagnes CRM produisent une réponse immédiate.

De nombreuses entreprises sur-investissent dans la fidélité parce que les clients existants sont plus faciles à identifier, cibler et mesurer. Les tableaux de bord de rétention semblent plus contrôlables que la construction large de la marque. Les programmes de fidélité produisent des données. Les campagnes CRM produisent une réponse immédiate.

Mais la tradition Dirichlet suggère que la croissance dépend souvent fortement de la pénétration : amener plus de personnes à acheter la marque au moins occasionnellement. La fidélité tend à évoluer avec l’échelle, et non indépendamment d’elle.

Cela ne signifie pas que la rétention est sans importance. Cela signifie que la rétention doit être comprise de manière réaliste.

Pour les petites marques, essayer de fabriquer une fidélité extrême peut être moins efficace que d’augmenter la disponibilité mentale et physique. Pour les grandes marques, protéger l’achat répété est important, mais la marque a encore besoin d’une large portée. Pour les entreprises d’abonnement, réduire le désabonnement peut être essentiel, mais la qualité de l’acquisition et l’intégration peuvent être aussi importantes que les campagnes de sauvegarde tardives.

Les modèles n’éliminent pas la stratégie. Ils la disciplinent.

L’avenir : des modèles combinés, pas des tribus de modèles

L’évolution de la modélisation de la fidélité et de l’attrition pointe vers la combinaison plutôt que le remplacement.

Les modèles de Markov apportent la logique de transition.

Les modèles NBD apportent la fréquence d’achat et l’hétérogénéité.

Les modèles de Dirichlet apportent les régularités au niveau de la catégorie et la structure du choix de marque.

Les modèles de Hendry apportent l’orientation vers l’intervention et la prévision.

L’apprentissage automatique apporte une prédiction à haute dimension.

Les modèles de survie apportent une analyse du temps jusqu’à l’événement.

Customer lifetime value models bring economic prioritisation.

L’avenir n’est pas de choisir un modèle et de déclarer la victoire. C’est d’assembler la bonne pile de modélisation pour la décision.

Un détaillant pourrait utiliser la logique NBD pour comprendre la fréquence d’achat, les états de Markov pour classifier les clients actifs et dormants, l’apprentissage automatique pour prédire la réponse, et la CLV pour décider si l’intervention en vaut le coût.

Une marque d’abonnement pourrait utiliser des modèles de transition de Markov pour les états du cycle de vie, l’analyse de survie pour le timing du désabonnement, et l’expérimentation pour mesurer quelles actions de rétention changent réellement les résultats.

Une marque de produits de grande consommation pourrait utiliser les repères de Dirichlet pour comprendre les schémas de fidélité attendus, puis utiliser la stratégie média et de distribution pour augmenter la pénétration.

Le défi managérial n’est pas la sophistication technique pour elle-même. C’est la clarté comportementale.

Le point final : la fidélité n’est pas possédée. Elle est louée.

La leçon la plus utile de décennies de modélisation de la fidélité et de l’attrition est aussi la moins sentimentale.

Les clients n’appartiennent pas aux marques. Leur comportement futur est probabiliste.

Ils peuvent acheter à nouveau. Ils peuvent changer. Ils peuvent s’éteindre. Ils peuvent revenir. Ils peuvent diviser leurs dépenses. Ils peuvent rester techniquement actifs mais économiquement non pertinents. Ils peuvent sembler perdus et réapparaître après un long intervalle.

Le travail du marketing n’est pas de prétendre que cette incertitude n’existe pas. C’est de la gérer.

La contribution des modèles de Markov, de Hendry, de Dirichlet et de NBD est qu’ils remplacent le langage vague de fidélité par une structure comportementale. Ils montrent que l’achat répété peut être modélisé, que la commutation peut être normale, que l’attrition peut être inférée, et que la fidélité peut être comprise sans mythologie.

C’est une vision plus mature du marketing.

C’est aussi une vision plus utile.

Car une fois que la fidélité est perçue comme une probabilité plutôt qu’une promesse, la question change. Ce n’est plus « comment fidéliser les clients ? » mais « comment augmenter la probabilité, la fréquence et la valeur du comportement d’achat futur ? »

C’est la question autour de laquelle le marketing moderne devrait s’organiser.

Références

Ansah-Narh, T., et al. (2013). “Prediction of Subscribers’ Brand Switching Behaviour and Ergodic Market Share of Network Service Providers in Ghana Using Markov Chain Model.”

Bass, F. M. (1969). « A New Product Growth Model for Consumer Durables ». Management Science.

Ehrenberg, A. S. C. (1959). « Le modèle des achats des consommateurs. » Applied Statistics.

Goodhardt, G. J., Ehrenberg, A. S. C., & Chatfield, C. (1984). « Le Dirichlet : un modèle complet du comportement d’achat. » Journal of the Royal Statistical Society. Série A. .

Goodhardt, G. J., Ehrenberg, A. S. C., & Chatfield, C. (2006). Le Dirichlet : un modèle complet du comportement d’achat.

Graham, C. (2012). « La fidélité à la marque. Plus ça change… ? Utiliser les paramètres NBD-Dirichlet pour interpréter l’incidence des achats à long terme et le choix de marque. »

Liang, J. (2024). « Analyse de l’application de la chaîne de Markov dans la prédiction du comportement des consommateurs. »

Morrison, D. G., & Schmittlein, D. C. (1988). « Généraliser le modèle NBD pour les achats des clients : quelles sont les implications et cela vaut-il l’effort ? » Journal of Business & Economic Statistics.

Sharp, B., Wright, M., & Goodhardt, G. (2002). « La fidélité à l’achat est polarisée en schémas de répertoire ou d’abonnement. » Australasian Marketing Journal.

Schmittlein, D. C., Morrison, D. G. et Colombo, R. (1987). « Counting Your Customers : Qui sont-ils et que feront-ils ensuite ? » Management Science.

Adobe for Business. (2025). « Des marchés encombrés aux clients engagés : Insights 2025 pour améliorer la fidélité client. »

McKinsey & Company. (2025). « Prochaine meilleure expérience : comment l’IA peut alimenter chaque interaction client. »

SAP Emarsys. (2025). « Indice de fidélité client 2025, Édition mondiale. »

SAP Emarsys. (2025). « Le Playbook du taux de rétention : 8 stratégies éprouvées pour 2025 et au-delà. »