Valeur client : le 80/20 mesure des ventes, pas de la valeur

Le réflexe que je rencontre le plus souvent dans une direction marketing, sans qu’aucune de mes sources ne le mesure, est de concentrer les moyens sur les clients les plus visibles : ceux qui achètent le plus, ceux dont l’activité récente saute aux yeux dans le tableau de bord. Ce réflexe s’appuie sur une image ancienne, la règle des 80/20, où 20 % des clients généreraient 80 % du chiffre d’affaires. L’Ehrenberg-Bass Institute soutient depuis 2007 que ce ratio est faux, et avance depuis, sans publier la donnée qui l’établirait, que le segment le plus actif d’une année ne tient pas l’année suivante¹². Attention au contresens, il est fréquent : cet institut ne dit pas qu’aucune régularité n’existe, il en revendique une, plus basse. Ces chiffres portent par ailleurs sur des ventes, jamais sur la valeur économique d’un client. Le cadre des options réelles, emprunté à la finance d’entreprise, éclaire une décision différente : garder un client apparemment non rentable n’est pas toujours un signe d’aveuglement, cela peut relever d’un calcul rationnel là où une relation client peut être maintenue ou coupée³.

Pour un lecteur pressé. Trois éléments suffisent à agir : (1) le 80/20 est démenti par l’institut dont j’ai pu lire les documents, mais celui-ci revendique une régularité plus basse, autour de 60/20, dont la valeur exacte dépend de la fenêtre d’analyse, de la taille de la marque et des choix de calcul ; (2) ces chiffres portent sur des ventes passées, pas sur la marge ni la valeur future, et le même institut annonce que la moitié des gros acheteurs d’une année sortent du segment de tête l’année suivante ; (3) la décision d’où investir demain (allocation) et la décision de garder ou couper un client existant aujourd’hui (sortie) obéissent à des logiques différentes, résumées dans la matrice Allocation/Sortie plus bas. Le reste de l’analyse détaille les preuves et leurs limites.

Repère de consensus, vérifié le 13 août 2026. L’idée que 80/20 exagère la concentration réelle n’est pas un scoop. Elle est publiée par l’Ehrenberg-Bass Institute depuis 2007, sous un titre qui annonce explicitement corriger une croyance répandue¹. Pour vérifier ce que disent réellement les contenus francophones existants sur le sujet, j’ai consulté six pages ressortant sur « règle 80/20 valeur client » et des requêtes proches. Il s’agit de Définitions Marketing (14 septembre 2021), Marketing Résultats (28 novembre 2022), leansixpro.com (20 mars 2026), Asana FR (12 mai 2026), icmf.ch (11-12 août 2026) et Le Dico du Marketing (date non affichée). Aucune des six pages consultées ce jour-là ne mentionnait les travaux de l’Ehrenberg-Bass Institute, la sensibilité de la concentration à la fenêtre d’analyse ou l’instabilité du classement des meilleurs clients d’une année sur l’autre. Ce relevé est le mien, il n’est pas versé au dossier de sources de cette analyse, et il ne vaut que pour ces six pages à cette date. Trois d’entre elles (Asana, leansixpro.com, icmf.ch) reconnaissent que 80/20 est une approximation et citent des variantes (70/30, 90/10, 95/5, ou 60/40 pour icmf.ch), mais sans les rattacher à une source empirique ni à un mécanisme de régression. Aucune de ces six ne distinguait la décision d’allocation budgétaire de la décision de sortie sur un client existant : le narratif qui y domine reste « identifiez vos meilleurs clients et choyez-les », sans traitement de l’erreur de prédiction. C’est cet écart, entre des données publiées depuis 2007 et leur absence des contenus qui discutent le sujet aujourd’hui, que cette analyse cherche à combler. Deux autres pages identifiées dans le même relevé (24pm.com, deux fiches lexique distinctes) n’ont pas pu être consultées, accès bloqué au moment de la vérification ; leur absence de ce comparatif ne préjuge pas de leur contenu.

Ce que les données de Pareto mesurent vraiment : la concentration des achats récents, pas la valeur client

Premier point, et il faut commencer par ce qui dérange ma propre lecture : l’institut qui conteste le 80/20 ne dit pas qu’aucune régularité n’existe. Il dit le contraire. Son rapport de 2019 s’intitule Marketing’s 60/20 Pareto Law, et il énonce quatre conclusions qu’il tient pour confirmées, dont la première est « It is law-like and applies across brands and categories » et la deuxième « It’s not as severe as 80/20 »⁴. Le billet public du même institut est tout aussi net : « there is a lawlike pattern, but it isn’t 80/20, it’s more like 60/20 »¹. Qui cite l’Ehrenberg-Bass Institute pour affirmer qu’il n’existe aucune constante lui fait dire l’inverse de ce qu’il écrit.

Il faut aussi dire ce que ces documents cherchent à établir, car ce n’est pas ce que la discussion courante en retient. Leur objet est la valeur des 80 % du bas, celle que le titre du billet annonce, et le rapport de 2019 la formule en conclusion opérante : « it’s reasonable to expect that almost half of your brand’s sales will always come from your very lightest 80% of buyers » et « growth comes largely from these light, very light/non-brand buyers and so it would be foolhardy to ignore them »⁴. La cible de ces travaux n’est donc pas de corriger un ratio, c’est de dire où va la croissance.

Ce que je retiens de ces documents n’est pas l’absence de régularité, c’est autre chose, et le rapport le dit lui-même : la valeur exacte dépend de qui calcule, et comment. Verbatim : « The exact sales contribution of the top 20% (a brand’s Pareto share metric) depends on the time period and some other technical decisions made by the person calculating the metric, and brand size and some category characteristics. »⁴ Une régularité dont la valeur bouge avec la fenêtre d’analyse, la taille de la marque et les choix techniques de l’analyste n’est pas un nombre qu’on recopie dans un tableau de bord. C’est ce déplacement, du chiffre vers ses conditions de production, qui me paraît utile à un décideur.

Deuxième point, sur le chiffre lui-même et sur ce qu’il faut savoir avant de le citer. Le rapport de 2019 situe la moyenne à 59 % sur une base annuelle, verbatim, « in a year, a consumer brand’s heaviest (most frequent) 20% of buying consumers contributed around half of a the brand’s total sales that year. Specifically we reported the brand average across categories was 59% : from a high of 68% for Dog Food to a low of 44% for hair conditioner »⁴. Ce 59 % et cette plage ne sont pas produits en 2019 : le rapport les reprend de son propre rapport de 2007, réservé aux sponsors payants de l’institut et non rendu public. Le billet public du même institut donne, lui, non pas une valeur mais une borne, verbatim, « In one quarter the Pareto share is typically only 40/20, rising to over 50/20 for an analysis period of one year. Over a five year window it rises to just over 60/20 »¹. « Plus de 50 % » à un an est compatible avec 59 % : je ne peux donc pas conclure à une discordance entre ces deux documents, seulement au fait que le billet ne donne pas de valeur ponctuelle là où le rapport en donne une, elle-même reprise d’un document plus ancien.

Le rapport de 2019 va plus loin et retourne l’argument de la fenêtre contre ses contradicteurs : « A few authors have tried to claim that the Pareto Share is not far from 80% but they have had to use very long windows (5-6 years) of analysis to make this point, which is atypical in brand management »⁴. Autrement dit, l’institut reproche à d’autres d’obtenir une concentration élevée en allongeant la fenêtre, alors que son propre billet public place le 60/20 sur une fenêtre de cinq ans. Les deux documents ne se citent pas l’un l’autre, et je ne peux donc pas dire lequel corrige lequel. L’institut reconnaît lui-même cette sensibilité, y compris dans son mécanisme, verbatim : « The timeframe slightly increases the Pareto share because it allows more very light customers to be counted in the analysis, and these make the contribution of the heavier customers look greater. »⁴

Troisième point, sur l’étendue réelle du dossier disponible. L’annexe du rapport de 2019 recense sept travaux, avec leur période, leur échantillon et leur résultat, et les parts du top 20 % qu’elle rapporte s’étalent d’environ 40 % à environ 79 % selon la fenêtre et le dispositif⁴. Cinq de ces sept lignes ne sont pas signées par l’institut, mais il faut voir de quoi elles sont faites : trois sont des travaux académiques extérieurs, une vient d’un cabinet fournisseur de données de carte de fidélité, une d’un billet publié sur un réseau professionnel. C’est la meilleure vue d’ensemble à laquelle j’aie accès, et elle dit deux choses : le sujet est documenté au-delà d’une seule maison, et aucune valeur unique n’en ressort. Une précision s’impose sur la borne haute de cette étendue : les 79 % viennent de la ligne dunnHumby, et c’est précisément l’analyse que le billet du même institut disqualifie ailleurs, verbatim, « The dunnhumby analysis was limited to (loyalty program) data covering households’ purchases in a single retail chain […] This inflates the Pareto […] a flawed sample isn’t fixed by making it bigger. »¹ L’institut recense donc dans son annexe un résultat qu’il conteste par ailleurs, sans le signaler.

Une réserve borne en revanche tout ce qui précède. Sur la concentration des achats, l’essentiel de ce qui est avancé ici vient de l’Ehrenberg-Bass Institute lui-même : les rapports de 2007 et de 2019 en sont l’unique source directement lue. Une étude publiée par l’International Journal of Market Research et souvent citée sur ce sujet⁵, menée sur un terrain distinct (une chaîne de grands magasins d’Asie de l’Est, hors biens de grande consommation), confirme un ordre de grandeur proche : le top 20 % des clients y pèse 71 % du chiffre d’affaires du magasin, avec une stabilité annuelle du segment de tête de 69 % au niveau du magasin entier, mais de seulement 45 % en moyenne par rayon. Trois de ses cinq auteurs déclarent toutefois l’institut comme affiliation, dont une coauteure des rapports de 2007 et de 2019 : ce travail ne vaut donc pas vérification totalement extérieure sur la thèse même de l’institut, même si son terrain d’observation est propre.

Rapport Marketing's 60/20 Pareto Law (2019) et billet du même institut, sources [P]. Ces valeurs ne forment pas un intervalle continu : elles ne portent ni sur la même unité d'observation, ni sur la même fenêtre. Aucune n'a été lue hors d'un document de l'institut, y compris celles qui viennent de travaux extérieurs : je les connais par le recensement qu'il en fait, pas par leur texte.

La conclusion défendable n’est donc pas « la vraie règle est 60/20 », et ce n’est pas non plus « aucune règle n’existe ». C’est que le 80/20 est démenti par le seul corpus que j’aie pu ouvrir, que la valeur de remplacement dépend de la fenêtre, de la taille de la marque et des choix de calcul, que le rapport qui produirait le chiffre de référence n’est pas public, et que l’annexe du rapport de suivi recense sept travaux dont les résultats s’étalent de 40 % à 79 %. Un décideur ne peut donc pas recopier un ratio : il peut seulement retenir que le sien est à mesurer, et sur quelle fenêtre.

Quatrième point, souvent sauté : ce que ces travaux mesurent. Ils mesurent la contribution d’acheteurs au chiffre d’affaires d’une période. Pas la marge, pas le coût de service, pas le coût d’acquisition, pas le coût de rétention, pas le risque, pas la valeur vie client. « Le top 20 % génère environ 60 % des ventes » ne signifie donc pas « le top 20 % représente environ 60 % de la valeur économique ». Un acheteur intensif de produits d’appel très promotionnés peut peser lourd en chiffre d’affaires et peu, voire négativement, en marge. Tout ce qui suit tient à ce partage : la concentration des achats est un fait de comptage sur le passé, la valeur client est une grandeur prospective de profit qui demande d’autres données.

Cinquième point, le plus utile pour un décideur : la dynamique. Le segment classé comme le plus actif une année donnée régresse vers la moyenne l’année suivante, un phénomène statistique connu et non spécifique au marketing. Il faut ici être précis sur ce qui est établi et ce qui ne l’est pas. Le billet de l’institut ne mesure pas ce recul : il le déduit, en une phrase, sans corpus ni période. Verbatim : « this year’s top 20% of buyers will be worth less than the 60% of sales they generated this year (i.e. about 45%). Those who are statistically minded will recognise this regresssion-to-the mean. »¹ Le couple 60 puis 45 est donc un raisonnement publié, pas une série observée. Et il porte une incohérence interne au document : cette phrase attache le 60 % à l’année en cours, quand la même page situe par ailleurs la part annuelle au-dessus de 50 % et la part à cinq ans un peu au-dessus de 60 %. Le billet donne ainsi deux statuts incompatibles à son propre 60 %, ce qui interdit d’en tirer un recul annuel chiffré (Figure 1).

Deux autres énoncés de décroissance existent pourtant, et ils sont chiffrés autrement. Une colonne professionnelle du même institut avance qu’environ la moitié des gros acheteurs d’une année le restent l’année suivante, et que la contribution aux ventes de l’autre moitié baisse d’environ 15 %². Le rapport de 2019 en fait sa quatrième conclusion confirmée, sous le nom de loi de modération de l’acheteur : « Next year, your heaviest 20% of customers won’t be so heavy, the light buyers will be heavier, and some of the non-buyers will buy ». Son résumé va plus loin et chiffre la sortie du segment, verbatim : « even for stable brands half of last year’s heavy buyers will then not even qualify to be in the top 20%, while the people who were light or non-brand buyers last year will contribute more to sales this year than they did last year »⁴. Sur ce point, la thèse d’instabilité ne repose donc pas sur une déduction isolée : elle est portée, en des termes proches, par trois publications de l’institut. Ce qui n’est pas réconcilié, c’est l’ampleur : un recul de 60 % à 45 % n’est pas du même ordre qu’une moitié de cohorte qui sort du segment. Ces énoncés interdisent d’en tirer un facteur de correction chiffré.

Sur le mécanisme, la source la plus explicite va contre l’interprétation que j’aurais spontanément retenue. Lockshin écrit que ce recul est « only due to probabilistic behaviour, not a conscious choice in most cases »² : ce n’est pas un désengagement décidé. La même page décrit toutefois ce que ce comportement probabiliste recouvre, et le report de marque en fait partie, verbatim : « A high percentage of heavy buyers remain heavy buyers of the category, but their heaviest purchases switch to another brand. » Un acheteur qui reste lourd dans sa catégorie mais achète ailleurs n’est pas un client perdu au sens du CRM, et c’est une distinction qui n’a pas d’équivalent direct en relation contractuelle, où le client ne peut pas répartir ses achats entre plusieurs fournisseurs de la même manière.

Une autre grandeur mériterait d’être examinée ici, l’appartenance au segment plutôt que sa part de ventes. Une étude sur la loi de Pareto chez les clients de grands magasins⁵ offre un point de comparaison sur ce terrain précis : la stabilité annuelle du segment de tête y est de 69 % au niveau du magasin entier, mais tombe à 45 % en moyenne au niveau de chaque rayon, avec un écart de 11 % à 74 % selon le rayon.

Prédire les meilleurs clients de demain : là où l’extrapolation directe trompe le calcul

La question qui compte pour un budget n’est pas « qui a le plus acheté l’an dernier », c’est « qui achètera le plus l’an prochain ». Une règle empirique circule sur ce point, dite 20-55, attribuée à Malthouse et Blattberg (2005) : environ 55 % des clients réellement présents dans le futur top 20 % seraient mal classés par les prévisions⁶. Elle n’est pas citée ici comme un résultat, l’article qui la porte étant sous mur payant : aucune copie en accès ouvert n’est répertoriée. Ni le chiffre, ni les jeux de données sur lesquels il est obtenu, ni ce que « mal classé » y signifie exactement ne sont donc vérifiés. Elle est mentionnée parce qu’elle est très citée dans ce domaine, et pour dire qu’elle ne devrait pas l’être sans cette réserve.

Ce que le dossier autorise réellement sur l’instabilité ne vient pas de là : il vient de l’institut lui-même, qui annonce que la moitié des gros acheteurs d’une année ne figurent plus dans le top 20 % l’année suivante⁴. C’est moins précis qu’un taux d’erreur de prédiction, et c’est vérifié au même endroit que le reste, c’est-à-dire nulle part : mais au moins la source dit ce qu’elle dit.

Le problème n’est pas d’utiliser douze mois d’historique. La littérature de valeur vie client utilise l’historique récent, et sait le faire : les modèles RFM et CLV combinent récence, fréquence et montant dans des cadres probabilistes, et Fader, Hardie et Lee testent leur capacité prédictive en holdout⁷. C’est la seule source quantitative sur le comportement d’achat que j’aie lue en entier, dans sa version auteur, et sa portée mérite d’être dite précisément : une cohorte de 23 570 clients d’un marchand de musique en ligne, dont un échantillon systématique au dixième de 2 357 clients, calibration sur les semaines 1 à 39 et validation sur les semaines 40 à 78, avec une sous-estimation inférieure à 2 % à la semaine 78. Deux paramètres financiers y sont posés par hypothèse : une marge brute de 30 %, que les auteurs disent retenir faute de connaître la vraie, et un taux d’actualisation de 15 %. Les auteurs signalent eux-mêmes ne pas savoir comment transposer leur modèle aux services financiers. Et ce travail ne mesure aucune erreur de classement : il ne dit donc rien du taux évoqué plus haut. Le problème est ailleurs : un modèle qui extrapole directement l’activité récente sans modéliser l’incertitude, la persistance et la régression vers la moyenne risque de survaloriser les clients exceptionnellement actifs sur la période d’observation. Prendre la dépense observée sur douze mois comme prévision directe de la dépense future, voilà l’erreur. Utiliser douze mois de données, non.

Hypothèse de travail, pas mécanisme démontré. Reste à savoir pourquoi cette extrapolation directe est si tentante. J’avance ici une hypothèse éditoriale, que j’appelle le biais du client visible. L’heuristique de disponibilité décrite par Tversky et Kahneman en 1973 désigne la tendance à estimer la fréquence ou la probabilité d’un phénomène en fonction de la facilité avec laquelle des exemples viennent à l’esprit⁸. Passer d’un jugement de fréquence à un jugement d’importance, puis à une allocation de budget, est déjà une extension de ma part, et les auteurs bornent explicitement leur propos aux jugements de fréquence. Ils posent en outre, dès leur définition, que la disponibilité est un indice écologiquement valide : les événements fréquents sont en général plus faciles à se rappeler que les rares. Un dirigeant qui regarde son tableau de bord voit d’abord les clients les plus actifs de la période récente, parce que ce sont eux qui produisent le plus de lignes de données, de transactions et d’alertes. L’hypothèse est que cette saillance statistique se traduit en saillance cognitive, puis en décision d’allocation budgétaire. Aucune de mes sources ne teste cette chaîne chez des responsables marketing réels, et leurs travaux expérimentaux portent sur environ 1 500 étudiants et lycéens face à des tâches d’énumération à réponse vérifiable, les auteurs déclarant eux-mêmes spéculative l’extension aux événements uniques. Accorder de l’importance à la récence et à la fréquence peut donc être en partie rationnel : ce sont des variables classiques de prédiction de la valeur vie client. Fader, Hardie et Lee apportent toutefois une nuance qui va dans le sens inverse de l’intuition, et qu’il faut citer ici parce qu’elle nuance ma propre objection, verbatim : « For low levels of recency, customers with higher frequency are likely to have lower future purchasing potential than customers with lower past purchasing rates. »⁷ À faible récence, une fréquence passée élevée annonce donc un potentiel plus faible, pas plus fort, et une source de cette analyse rapporte, sans le chiffrer, que les gros acheteurs étaient plus susceptibles que les autres d’acheter, dans les six mois, les marques des domaines viticoles qu’ils avaient visités². Ce que l’on sait, c’est que le classement est instable et mal prédit. Pourquoi les décideurs s’y fient quand même reste une question ouverte.

Ce concept rejoint celui déjà nommé dans Le mythe de la fidélité à la marque sous l’appellation de biais du chiffre disponible. Il ne s’agit pas ici d’un biais de mémoire sur la fidélité déclarée, mais de son équivalent appliqué au calcul de la valeur économique d’un client. Là encore, c’est un cadre de lecture que je propose, pas un résultat que les auteurs cités formuleraient eux-mêmes.

Pourquoi je ne publie aucun facteur de correction chiffré. On attend ici une formule de rabattement, avec son exemple numérique. Je n’en donne pas, pour trois raisons qui valent mieux que la formule.

La première est la fenêtre. Le seul couple de chiffres disponible, 60 puis 45, vient d’une page qui attribue par ailleurs environ 40/20 à un trimestre, plus de 50/20 à un an et un peu plus de 60/20 à cinq ans. Le 60 % y reçoit donc deux statuts incompatibles, celui d’une part annuelle dans la phrase qui annonce le recul, celui d’une part quinquennale dans la liste des fenêtres. Un point de départ dont on ne sait pas à quelle durée il correspond ne permet pas de calibrer une correction annuelle.

La deuxième est la cible du rabattement. Ramener la part vers 20 % suppose qu’en l’absence de signal les 20 % d’acheteurs les plus actifs pèseraient 20 % des ventes, autrement dit qu’il n’existe aucune hétérogénéité persistante entre acheteurs. C’est faux, et cela contredit la validité prédictive de la récence et de la fréquence rappelée juste au-dessus. La cible correcte serait la part latente moyenne du groupe, que je ne connais pas.

La troisième est l’objet auquel on l’applique. Le rétrécissement bayésien empirique se définit sur des mesures individuelles bruitées, pas sur une part agrégée du total, qui est une statistique d’ordre dont le groupe est redéfini à chaque période. Chez Fader, Hardie et Lee, la régression est d’ailleurs plus forte pour les clients à faible fréquence, ce qu’un facteur unique appliqué au segment de tête ne peut pas représenter⁷.

Reste la direction, qui est solide : ne reportez jamais tel quel l’écart observé sur la période suivante. Ce qui se transpose est une procédure, pas un coefficient.

Comment estimer votre propre coefficient de persistance. (1) Reconstituez le niveau d’achat par client sur deux exercices consécutifs, sur votre propre base. (2) Régressez le second exercice sur le premier, ou appliquez un rétrécissement bayésien empirique en laissant la force du rabattement dépendre du nombre de transactions observées par client. (3) Si vous ne disposez pas de cet historique, vous n’avez pas un coefficient à choisir : vous avez un paramètre que vous ne pouvez pas calibrer, et il vaut mieux le dire que le remplacer par une valeur d’apparence prudente. Recopier un coefficient publié ailleurs reproduirait exactement l’erreur que cette correction cherche à éviter, traiter un chiffre unique et non répliqué comme une constante fiable.

Ce que le cadre des options réelles ajoute, et les limites de sa vérification

Avertissement de statut, avant tout le reste. Cette section repose sur un article sous mur payant. Méndez-Suárez et Crespo-Tejero ont publié en 2021, dans le Journal of Business Research, un article intitulé « Why do banks retain unprofitable customers? A customer lifetime value real options approach »³. Sa méthode, la banque étudiée, le pays et le sens précis de son résultat ne sont pas vérifiés ici. La revue est sur abonnement, la page de l’éditeur est gardée par un contrôle anti-robot, et trois bases d’accès ouvert concordent pour dire qu’aucune version déposée n’est disponible. Aucun de ses paramètres de calibration ni aucun de ses résultats chiffrés n’est donc cité : un chiffre non vérifié n’a rien à faire ici. Ce qui suit se limite au raisonnement, qui lui est public.

Le raisonnement est le suivant, et je dois dire d’emblée que je n’en verse aucune source lisible : les cinq références que je nomme autour de ce cadre me sont toutes restées fermées. Tel qu’il est généralement exposé en finance d’entreprise, il pose qu’un engagement révocable vaut plus que sa valeur actuelle nette immédiate, parce qu’il laisse ouverte la possibilité d’attendre avant de trancher. Appliqué à une relation client, cela donne : un client déficitaire aujourd’hui n’est pas nécessairement un client à couper, puisque la relation porte une option de continuation dont la valeur s’ajoute au calcul comptable. Il existerait donc un seuil de désinvestissement situé en dessous du seuil de rentabilité instantané, et couper au seuil comptable reviendrait à couper trop tôt.

Ce que je ne peux pas dire, faute d’accès : ce que cet article trouve. Ni de combien un seuil s’écarterait du seuil comptable, ni sur quelle population, ni sous quelle calibration, ni même si ses résultats vont dans le sens du raisonnement exposé ci-dessus. Son titre pose une question, il n’annonce pas une réponse. Le lecteur ne doit donc tirer de cette section aucun repère chiffré, aucun seuil à transposer, et aucune conclusion empirique : ce qui précède est un cadre de décision emprunté à la finance d’entreprise, pas un résultat de recherche que j’aurais vérifié.

Le raisonnement, lui, est un cadre de décision générique et non un résultat propre au secteur bancaire : il vaut en principe pour toute activité où le fournisseur peut choisir de maintenir ou d’interrompre une relation à coût continu, un assureur face à un contrat individuellement déficitaire mais fidèle depuis longtemps, un éditeur logiciel face à un compte B2B peu rentable mais stratégique, un opérateur télécom face à un abonné à faible marge mais ancien. Je n’ai aucune donnée chiffrée pour ces secteurs, et cette généralisation reste mon extrapolation. Un second article, Koosha et Albadvi (2015) dans le Journal of Marketing Analytics, associe lui aussi options réelles et valeur vie client⁹ : également sous mur payant, son identité bibliographique est vérifiée mais pas son contenu, ce qui ne permet d’affirmer ni ce qu’il établit, ni sur quel secteur il porte. Son existence indique que le rapprochement n’a pas été inventé pour un cas unique. Elle ne constitue pas une réplication.

Cette lecture ne contredit pas ce que rapporte l’Ehrenberg-Bass Institute, elle porte sur une décision différente. L’instabilité des classements discutée plus haut concerne la décision d’allocation (où investir en priorité pour faire croître le chiffre d’affaires futur) ; le cadre des options réelles éclaire la décision de sortie : quand cesser d’investir dans un client existant. Confondre les deux registres conduirait à une erreur de lecture, dans les deux sens.

Une objection à porter au dossier, parce qu’elle vient de ma propre source. La seule source de pratique bancaire que j’aie pu lire en entier conclut à l’inverse de cette section. Bain recommande d’identifier les clients non rentables pour les servir autrement ou les sortir du portefeuille, et qualifie de « historically loose and overly personal » le traitement de ces clients, auquel des données solides et un plan explicite viendraient selon elle « injecter de la rigueur »¹⁰. Là où le cadre des options réelles valorise l’attente, un cabinet qui conseille des banques y voit d’abord un défaut de rigueur. Je retiens la première lecture, mais l’honnêteté commande de dire que ma source la plus vérifiable défend la seconde. Elle apporte d’ailleurs un ordre de grandeur qui recadre, sur un point voisin : pour apprécier si un client est rentable, et non pour fixer un calendrier de sortie, elle rapporte que les banques de premier plan retiennent une vue à deux ou quatre ans, verbatim « Not all clients will be profitable every year […] So leading banks take a two- to four-year view ». Un modèle d’options réelles, lui, se construit volontiers sur plusieurs décennies.

La matrice Allocation/Sortie. Ces deux décisions ne se corrigent pas avec le même outil.

Cette matrice n’a de valeur qu’appliquée : un même client peut apparaître visible et sur-financé en colonne allocation, et pourtant justifier son maintien en colonne sortie une fois la valeur d’option comptée. Ce n’est pas une contradiction : ce sont deux questions différentes.

Asymétrie à connaître avant d’essayer de chiffrer la colonne sortie. Côté allocation, la procédure donnée plus haut se conduit directement sur les chiffres du lecteur, à condition qu’il estime lui-même sa persistance de classement. Côté sortie, il n’y a rien à transposer, et c’est le point que je veux laisser au lecteur : un seuil de désinvestissement est le produit d’un horizon, d’une volatilité de marge et d’un mode d’imputation des coûts de rétention propres à un portefeuille précis à un moment précis. Emprunter la calibration d’autrui donne un seuil qui ne décrit rien. Ce qui se transpose est la méthode : estimer la volatilité de sa propre marge, poser son propre horizon, puis comparer la valeur d’attente au coût de maintien de la relation. La correction du côté allocation est à la portée de n’importe quel lecteur avec ses chiffres. Le calcul d’un seuil de sortie demande un travail de modélisation.

Un ordre de grandeur circule sur ce sujet, et il vaut la peine d’en démonter la provenance. Environ 30 % des clients d’un portefeuille bancaire se situeraient sous le seuil de profit économique. Ce chiffre, je ne l’ai lu qu’à un seul endroit : une tribune signée par trois associés de Bain & Company¹⁰. La bibliographie de l’article de 2021 cite par ailleurs une seconde publication Bain de la même équipe, How banks can turn around unprofitable corporate clients¹¹, à laquelle la tribune renvoie explicitement en fin de texte. Je ne l’ai pas ouverte : je ne peux donc pas dire qu’elle porte le même chiffre. Ce que je peux dire, et qui suffit, c’est que ces deux références ne sont pas indépendantes l’une de l’autre : même cabinet, même auteur principal, même année. Les présenter comme deux sources dont le rapprochement renforcerait la robustesse du chiffre serait une faute commode, celle qui transforme une estimation de cabinet en convergence.

Deux précisions de périmètre s’imposent, et elles vont dans le même sens. Ce repère porte sur des clients entreprises, pas sur une clientèle de détail. Et il s’agit du seuil de profit économique, donc du coût du capital, pas de l’équilibre comptable. La phrase source est explicite sur les deux points, comme sur le reste de la répartition : environ 20 % des clients génèrent le profit économique, dont peut-être 1 % concentre l’essentiel de la valeur ; environ 30 % passent sous le seuil, dont environ 1 % pèse le plus lourd négativement ; les 50 % restants ont une valeur modérée ou sont à l’équilibre¹⁰. Un détail de cette phrase mérite d’être relevé, et il est presque toujours perdu : la mention « as it currently serves them » y est attachée au 1 % le plus négatif, pas aux 30 %. La tribune dit par ailleurs, plus largement, que ces clients peuvent être ramenés à la rentabilité ou laissés partir « if the bank cannot serve them profitably ». La non-rentabilité décrite tient donc au moins autant à la façon dont la banque sert ces clients qu’à une propriété des clients eux-mêmes. Bain & Company vend des missions sur ce sujet précis : c’est une source [P], à décrypter plutôt qu’à prendre pour argent comptant (Figure 2).

La théorie des options réelles n’est pas propre au secteur bancaire ni même au marketing : elle vient de la finance d’entreprise. La bibliographie de l’article de 2021 cite d’ailleurs un travail paru dans une revue d’économie agricole, « Inertia in disinvestment decisions: experimental evidence »¹², dont je ne connais que le titre déposé. Je ne peux donc dire ni ce qu’il mesure, ni sur qui, ni s’il mobilise ce cadre. Cela ne prouve pas que la logique se vérifie pour un client d’assurance ou un compte B2B, et cela ne fait pas de ce cadre un instrument validé sur la relation client.

Le client le plus visible dans le tableau de bord n’est ni le plus fidèle ni le plus rentable par construction : son classement est instable et mal prédit. Pourquoi les décideurs s’y fient quand même reste une question ouverte, qu’aucune de mes sources ne tranche.

Où se trouve réellement l’erreur : distinguer la décision d’allocation de la décision de sortie

Tableau 1. Comparatif des sources mobilisées

Ces sources ne mesurent pas le même objet, et je ne prétends pas qu’elles convergent : le tableau est là pour montrer d’où vient chaque élément, et combien peu vient d’ailleurs que d’un seul institut. Ce qu’elles ont en commun est plus modeste qu’une convergence : aucune ne soutient qu’on puisse décider de l’avenir d’un client à partir du chiffre le plus facilement disponible sur son passé, qu’il s’agisse du segment le plus actif de l’année ou du solde de rentabilité instantané. La question utile n’est pas « ce client est-il rentable aujourd’hui » mais « quelle est sa trajectoire de valeur une fois l’instabilité du classement prise en compte », et cette question, aucune de ces sources ne la tranche.

Application par profil de décision