Scores IA de risque et d'engagement : les lire sans se tromper

Sommaire

1. Ce que la machine observe réellement
2. Cinq signaux, cinq pièges locaux
3. Étalonner avant de piloter
4. Ce que vous en faites le lundi matin
5. Ce qu'un score ne doit jamais décider
6. Questions fréquentes

Un écran qui affiche « Critical » en rouge à côté du nom d'un client fidèle depuis douze ans provoque toujours la même réaction : le courtier hausse les épaules et referme la fenêtre. C'est la pire issue possible. Un score faux qu'on ignore et un score juste qu'on ignore produisent exactement le même résultat — le portefeuille s'effrite sans prévenir.

Deux indicateurs circulent dans un outil de relation client équipé d'IA : un score de risque, qui estime la probabilité qu'un client s'éloigne ou laisse sa police tomber, et un score d'engagement, qui mesure l'intensité et la fraîcheur de la relation. Ni l'un ni l'autre n'a été pensé pour un portefeuille d'Abidjan, de Douala ou de Kinshasa. Ils restent utiles, à condition de savoir ce qu'ils observent, et ce qu'ils ne peuvent pas voir.

Ce que la machine observe réellement

Un score n'est pas une intuition : c'est une lecture de traces. Les entrées habituelles sont le nombre et le sens des messages, le délai de réponse, le silence depuis le dernier échange, la réaction aux campagnes, l'ancienneté du client, le statut et la date d'échéance des polices, et la classification du dernier message entrant — opportunité, simple reprise de contact, message neutre, ou signal de départ. Dans ORIS, ces éléments alimentent un risk score et un engagement score compris entre 0 et 100, affichés par paliers, de « Very Low » à « Critical », et remontés dans la vue Opportunities & Risks.

D'où la première limite, qui n'a rien de technique : le score ne connaît que ce qui passe par le canal. Le client qui règle sa prime au comptoir chaque trimestre, qui discute avec votre collaborateur de vive voix et n'écrit jamais, apparaîtra désengagé. Il ne l'est pas. Il est hors champ. Tant qu'une partie de votre relation vit ailleurs que dans l'outil, un score bas est une question à poser, jamais un verdict.

Cinq signaux, cinq pièges locaux

Les modèles d'attrition ont été entraînés, dans la littérature, sur des portefeuilles où le prélèvement automatique est la norme et où chaque assuré possède son propre téléphone. En Afrique francophone, ces deux hypothèses tombent. Le rapport annuel de la GSMA sur le mobile money rappelle l'ampleur du phénomène : plus de 2 000 milliards de dollars de transactions traitées en 2025, en forte progression, avec l'Afrique subsaharienne comme premier marché. Un paiement de prime y suit un calendrier qui n'est pas celui d'un échéancier bancaire.

Signal observé	Ce que le score en déduit	Le piège local	Ce que vous vérifiez d'abord
Silence de 60 jours	Désengagement	Forfait data épuisé, téléphone partagé dans la famille, déplacement en zone mal couverte	Un appel court, ou le canal réel : agence, proche, employeur
Prime en retard	Risque élevé	Saisonnalité des revenus (campagne agricole, paie trimestrielle), plafond de portefeuille mobile atteint, agent de dépôt indisponible	L'historique sur trois échéances, pas la dernière
Réponses très courtes, « ok »	Engagement faible	Le client répond en note vocale, ou dans une langue que le modèle lit mal	Réécouter les vocaux avant de conclure
Numéro qui change	Client perdu	Double SIM, changement d'opérateur, un numéro privé et un numéro professionnel	Rapprocher les numéros du numéro de police et de la pièce d'identité
Beaucoup de messages entrants	Engagement fort	Un sinistre en cours ou un litige produit le même volume qu'un client enthousiaste	Le sentiment et le motif du dernier échange

Aucun de ces pièges ne se corrige en changeant de modèle. Ils se corrigent en changeant votre lecture : un score élevé ouvre une enquête de trois minutes, il ne clôt pas un dossier.

Étalonner avant de piloter

Avant de fonder des campagnes sur ces chiffres, passez-les au banc d'essai. La méthode tient en cinq étapes et ne demande qu'un tableur.

1. Geler un échantillon. Trente clients, pris au hasard dans trois tranches de score (bas, moyen, haut). Notez la date, le score et l'échéance de chacun.
2. Attendre le verdict du réel. Quatre-vingt-dix jours plus tard, regardez qui a renouvelé, qui a payé en retard, qui est parti. C'est le même exercice que le calcul du taux de renouvellement de votre portefeuille, appliqué à un échantillon.
3. Écrire vos seuils. Si vos départs réels se concentrent au-dessus de 70, votre alerte est à 70 — pas au palier proposé par défaut. Un cabinet santé collective et un cabinet auto n'auront pas le même point de bascule.
4. Corriger l'entrée avant la sortie. Doublons, numéros morts, polices clôturées restées actives : la moitié des scores aberrants viennent du fichier, pas du modèle.
5. Refaire l'exercice chaque trimestre. Un portefeuille qui s'ouvre à une nouvelle branche ou à une nouvelle ville change de comportement en quelques mois.

Ce que vous en faites le lundi matin

Un score sert à ordonner une semaine, rien de plus ambitieux. Trois usages tiennent la route. D'abord, la file de rappel : les clients à risque élevé dont l'échéance tombe dans les trente jours passent devant, les autres attendent. Un score sans date d'échéance à côté ne vaut pas grand-chose. Ensuite, la préparation d'appel : avant de composer le numéro, on relit les deux derniers échanges et le motif de l'alerte, ce que la fiche client affiche déjà. Enfin, le choix de la vague de réactivation des clients inactifs : mieux vaut cent messages ciblés qu'un envoi général qui fera surtout monter vos désinscriptions.

Côté outil, les scores d'ORIS servent à construire des segments — par exemple risque supérieur à un seuil et ancienneté supérieure à un an — puis à lancer une campagne à partir d'un template approuvé par Meta. L'IA propose un brouillon de réponse, le collaborateur valide. C'est l'ordre naturel des choses : la machine trie, l'humain parle.

Ce qu'un score ne doit jamais décider

Un score n'est pas une décision, et la nuance est juridique autant que commerciale. La Convention de Malabo, reprise par la plupart des lois nationales de la zone, écarte l'idée qu'une appréciation du comportement d'une personne repose sur le seul fondement d'un traitement automatisé de profilage. Traduit pour un cabinet : un chiffre calculé par une machine ne justifie ni un refus de garantie, ni une tarification différenciée, ni la clôture d'un dossier. Les obligations concrètes sont détaillées dans notre article sur l'IA et les données personnelles en Afrique francophone.

Deux règles simples évitent l'essentiel des ennuis : le score reste interne — on ne l'affiche pas au client, et on ne le cite pas dans un message — et toute action irréversible passe par une décision humaine tracée. Le reste, c'est de la priorisation, et la priorisation n'a jamais fâché personne.

Questions fréquentes

Combien de temps faut-il pour qu'un score devienne fiable ?

Comptez au moins un cycle d'échéances complet, soit une année pour un portefeuille annuel, avant de juger. Avant cela, le modèle manque d'historique de renouvellement et vous jugerez surtout la qualité de votre fichier client, ce qui reste utile.

Un client qui ne répond jamais est-il vraiment à risque ?

Pas nécessairement. Le silence signale une absence de canal actif, pas une intention de partir. Vérifiez d'abord que le numéro est joignable et que le client n'échange pas par un autre moyen avec votre cabinet, puis traitez le silence comme un problème de contact.

Peut-on comparer les scores de deux branches différentes ?

Non, pas directement. Un contrat santé individuel génère beaucoup plus d'échanges qu'une multirisque professionnelle renouvelée sans incident. Comparez les clients au sein d'une même branche, ou raisonnez par écart à la moyenne de leur segment.

Faut-il alerter le client quand son score monte ?

Jamais en ces termes. Le client n'a pas à connaître une note interne, et l'annonce serait mal comprise. Ce qui se justifie, c'est un contact ordinaire : un point sur son contrat, un rappel d'échéance, une question sur un changement de situation.