# Valeur client : le piège de la règle des 80/20
> La règle des 80/20 surestime la valeur des meilleurs clients : les données Ehrenberg-Bass montrent plutôt un ratio de 60/20, avec régression vers la moyenne.
- Source : https://probans.org/analyses/biais-client-visible-valeur-client
- Catégorie : Marketing
- Auteur : Axel Morel
- Publié le : 2026-07-05
- Indice de solidité de la preuve (ISP) : 58/100 (56-75 %) — Preuves modérées
## En résumé
- La règle des 80/20 est un raccourci de gestion, pas un résultat empirique stable. Les données longitudinales de l'Ehrenberg-Bass Institute, sur plusieurs catégories de consommation, établissent une concentration plus proche de 60/20 : et surtout que la valeur du top 20 % régresse mécaniquement vers la moyenne l'année suivante, passant d'environ 60 % à 45 % du chiffre d'affaires à composition de clientèle inchangée.
- Le biais du chiffre disponible encode cette erreur dans les dashboards. L'heuristique de Tversky et Kahneman explique pourquoi un décideur surpondère le client le plus visible (le plus récent, le plus actif) au détriment de sa valeur de long terme, plus régulière mais moins saillante. Un modèle de valeur client calé sur les douze derniers mois reproduit structurellement ce biais.
- Décision d'allocation et décision de sortie ne relèvent pas du même calcul. Sur données bancaires réelles, la théorie des options réelles montre que retenir un client apparemment non rentable peut être rationnel : il existe un seuil de désinvestissement optimal en deçà duquel couper la relation serait une erreur. Ce raisonnement s'applique à toute relation client qu'on peut maintenir ou interrompre, bien au-delà du seul secteur bancaire.
Le réflexe intuitif d'une direction marketing, quel que soit le secteur (banque, assurance, retail, B2B ou abonnement), est de concentrer ses 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. Les données longitudinales de l'Ehrenberg-Bass Institute, construites sur de multiples catégories de consommation, montrent que ce ratio est systématiquement surestimé, et surtout que la valeur des clients les plus actifs d'une année régresse mécaniquement vers la moyenne l'année suivante[^1][^2]. Une étude distincte, menée sur les données d'une banque de détail espagnole, illustre une nuance qu'il serait imprudent d'ignorer : garder un client apparemment non rentable n'est pas toujours un signe d'aveuglement, cela peut être un pari rationnel au sens de la théorie des options réelles, dans toute activité où une relation client peut être maintenue ou coupée[^4].
## Ce que la loi de Pareto établit vraiment sur la concentration de la valeur client
L'Ehrenberg-Bass Institute a documenté, sur plusieurs catégories de consommation, un renversement de l'intuition commerciale la plus répandue. La règle des 80/20 est un raccourci de gestion, pas un résultat empirique stable : le rapport de référence de Sharp et Romaniuk, publié pour les sponsors de l'institut en 2007 puis repris dans *How Brands Grow* (2010), établit une part plus proche de 60 % pour le même segment des 20 % les plus actifs, une observation qu'ils qualifient eux-mêmes de « loi de Pareto, mais pas celle que l'on croit »[^1]. D'autres relevés sectoriels de l'institut situent cette part entre 55 % et 60 %[^2]. *Corrélation observée* entre le rang de consommation d'un client sur une période et sa contribution au chiffre d'affaires de cette même période ; il ne s'agit pas d'une loi causale universelle, la marge d'erreur variant selon la catégorie et le marché.
Le point le plus utile pour un décideur ne tient cependant pas à ce simple écart de niveau (60 % contre 80 %), il tient à la dynamique. L'institut documente que la valeur du 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[^1]. *Ce que les données établissent* : le même segment, dont la part atteint environ 60 % du chiffre d'affaires l'année où il est mesuré, ne pèse plus qu'environ 45 % l'année suivante, à composition de clientèle inchangée (Figure 1)[^1]. Ce recul n'est pas un signe de désengagement du client ; c'est la conséquence arithmétique du fait qu'une performance exceptionnellement forte à un instant donné intègre nécessairement une part de variation ponctuelle qui ne se reproduit pas à l'identique.
## Le mécanisme du biais : pourquoi le client visible aujourd'hui trompe le calcul de demain
*Cadre externe mobilisé.* L'heuristique de disponibilité décrite par Tversky et Kahneman en 1973 désigne la tendance à estimer la fréquence ou l'importance d'un phénomène en fonction de la facilité avec laquelle des exemples viennent à l'esprit, plutôt qu'en fonction de sa fréquence réelle[^3]. Appliqué au calcul de la valeur client, ce mécanisme prédit précisément ce que l'Ehrenberg-Bass Institute mesure : 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. Cette saillance statistique se traduit en saillance cognitive, puis en décision d'allocation budgétaire, alors même que la contribution de ce segment au chiffre d'affaires de l'année suivante sera mécaniquement plus faible.
Ce mécanisme 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 : le chiffre le plus disponible, le plus récent, le plus visible dans le CRM, est traité comme le chiffre le plus prédictif, alors que la régression vers la moyenne dit l'inverse. *Mon interprétation* : un modèle de valeur vie client construit sur les douze derniers mois d'un client encode structurellement ce biais, puisqu'il prend pour référence un chiffre déjà connu pour être temporairement gonflé.
## Ce que la théorie des options réelles ajoute : garder un client non rentable peut être rationnel
Une étude économétrique menée par Méndez-Suárez et Crespo-Tejero sur les données d'une grande banque de détail espagnole, publiée dans le *Journal of Business Research* en 2021, complique la lecture qui précède[^4]. *Ce que les données établissent* : appliquée aux décisions réelles de cette banque, la théorie des options réelles montre que le maintien de clients apparemment non rentables au sens du calcul comptable classique correspond à un comportement rationnel, cohérent avec l'existence de seuils de désinvestissement optimaux en deçà desquels la banque a intérêt à ne pas couper la relation[^4]. L'étude isole également la valeur additionnelle apportée par la réputation, c'est-à-dire l'effet des recommandations et de la perception positive générée par un client au-delà de sa seule contribution directe au chiffre d'affaires[^4].
*Extrapolation prudente.* L'étude ne porte que sur une banque de détail, mais le raisonnement qu'elle mobilise est un cadre de décision générique, pas un résultat propre au secteur bancaire. Il s'applique en principe à tout modèle 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 pas de données chiffrées équivalentes pour ces autres secteurs ; cette généralisation reste mon extrapolation, pas un résultat établi hors du cas bancaire étudié.
Cette étude ne contredit pas la mesure de l'Ehrenberg-Bass Institute, elle porte sur une décision différente. *Mon interprétation* : la régression vers la moyenne documentée plus haut concerne la décision d'allocation (où investir en priorité pour faire croître le chiffre d'affaires futur), un enjeu commun à tous les secteurs à base de clientèle répétée ; l'étude bancaire éclaire la décision de sortie : quand cesser d'investir dans un client existant. Confondre les deux registres conduirait à une erreur de lecture : ce n'est pas parce que la théorie des options réelles rationalise la rétention d'un client non rentable que la surpondération du client visible dans les décisions d'allocation budgétaire cesse d'être un biais, quel que soit le secteur.
Une autre lecture citant les mêmes auteurs indique qu'environ 30 % de la clientèle d'une banque de détail se situerait sous le seuil de rentabilité économique à un instant donné[^5]. J'ai retrouvé ce chiffre directement dans l'introduction de l'article de Méndez-Suárez et Crespo-Tejero : ils ne l'établissent pas eux-mêmes, ils le reprennent d'une étude antérieure, Huber et al. (2017)[^5]. Une lecture indépendante publiée par le cabinet Bain & Company avance un ordre de grandeur comparable sur un périmètre différent (le portefeuille de clients entreprises d'une grande banque multinationale) : environ 30 % de ces clients se situeraient également sous le seuil de rentabilité économique, contre 20 % générant l'essentiel de la valeur[^6]. Ce rapprochement entre deux sources indépendantes renforce la robustesse de l'ordre de grandeur sans en faire une constante universelle : Bain & Company est un cabinet de conseil qui vend des missions sur ce type de sujet, ce qui en fait une source [P] à décrypter plutôt qu'à prendre pour argent comptant[^6] (Figure 2).
*Cadre externe mobilisé.* La théorie des options réelles elle-même n'est pas un concept propre au secteur bancaire ni même au marketing : elle vient de la finance d'entreprise et a été appliquée à des décisions de désinvestissement dans des secteurs très éloignés de la relation client, par exemple la décision d'un exploitant agricole d'abandonner ou non une production, où la littérature montre également une réticence à désinvestir plus forte que ne le prédit la théorie classique[^7]. Cela ne prouve pas que la logique se vérifie empiriquement pour un client d'assurance ou un compte B2B, mais cela confirme que le cadre théorique mobilisé par Méndez-Suárez et Crespo-Tejero est un outil de décision générique, éprouvé dans des contextes très divers, et non un artefact du secteur bancaire.
Le client le plus visible dans le tableau de bord n'est ni le plus fidèle ni le plus rentable par construction ; il est seulement celui dont la performance récente est la plus facile à se rappeler, ce qui est une propriété de la mémoire du décideur, pas de la valeur du client.
## Où se trouve réellement l'erreur : distinguer la décision d'allocation de la décision de sortie
**Tableau 1. Comparatif des trois sources mobilisées**
| Source | Producteur | Date | Nature | Décision éclairée | Indépendance |
|---|---|---|---|---|---|
| Loi de Pareto 60/20 et régression vers la moyenne | Ehrenberg-Bass Institute (Sharp, Romaniuk) | 2007 / 2010 | Données longitudinales multi-catégories | Allocation budgétaire entre segments de clients | [I] |
| Heuristique de disponibilité | Tversky & Kahneman | 1973 | Cadre théorique en psychologie cognitive | Explication du mécanisme de surpondération | [I] |
| Options réelles et rétention client | Méndez-Suárez & Crespo-Tejero, *Journal of Business Research* | 2021 | Étude économétrique sur données réelles d'une banque | Décision de sortie sur un client existant | [I] |
*Mon interprétation.* Les trois sources ne mesurent pas le même objet, mais convergent sur un point opérationnel : le chiffre le plus facilement disponible pour un décideur (qu'il s'agisse du segment le plus actif de l'année ou du solde de rentabilité instantané d'un client) est rarement le bon chiffre pour décider de l'avenir. La bonne question n'est pas « ce client est-il rentable aujourd'hui » mais « quelle est sa trajectoire de valeur une fois la régression vers la moyenne et l'optionalité de la relation prises en compte », et ces deux corrections tirent parfois en sens opposés.
Pour donner une intuition des enjeux, voici ce que représenterait un biais du chiffre disponible qui ne serait jamais corrigé sur cinq ans, à supposer que l'écart documenté par l'Ehrenberg-Bass Institute (60 % contre 45 %, soit 15 points) se reproduise à l'identique chaque année (Figure 3).
*Extrapolation prudente, à ne pas confondre avec un résultat empirique.* Cette figure n'est pas une mesure, c'est une mise en perspective pédagogique construite sur une seule hypothèse explicite : que l'écart de 15 points constaté une fois par l'Ehrenberg-Bass Institute se répète identiquement chaque année si rien ne corrige la lecture. Rien dans les sources mobilisées ne démontre cette récurrence annuelle constante. L'intérêt de la figure est de rendre visible que même un biais modeste, mesuré une seule fois, cesse d'être anodin dès qu'il est reconduit sans être corrigé exercice après exercice.
## Application par profil de décision
| Profil | Ce que cette analyse implique | Enjeu | Réversibilité |
|---|---|---|---|
| Direction marketing et CRM (tous secteurs à clientèle répétée) | Un modèle de valeur client calé sur les douze derniers mois surpondère structurellement les clients dont l'activité récente est la plus visible ; la budgétisation d'acquisition et de fidélisation devrait intégrer une correction de régression vers la moyenne. | Modéré | Réversible |
| Direction clientèle ou relation client (banque, assurance, télécoms, SaaS, B2B) | La décision de désinvestir d'un client non rentable et la décision d'allouer un budget marketing ne relèvent pas du même calcul ; la théorie des options réelles justifie la première prudence, pas la seconde, quel que soit le secteur d'activité. | Modéré | Partiellement réversible |
| Direction data et analytics (tous secteurs) | Un dashboard qui expose en priorité les clients les plus actifs de la période récente encode le biais du chiffre disponible dans l'interface elle-même, indépendamment du modèle statistique sous-jacent. | Faible | Réversible |
| Direction générale et comité exécutif (tous secteurs) | Le narratif « nos meilleurs clients sont nos clients les plus actifs » mérite d'être vérifié avant d'orienter une stratégie de fidélisation ou de désinvestissement client, en marketing grande consommation comme en banque, assurance ou B2B. | Modéré | Partiellement réversible |
## Lexique
**Heuristique de disponibilité** : raccourci cognitif consistant à juger la fréquence ou l'importance d'un phénomène selon la facilité avec laquelle des exemples viennent à l'esprit, plutôt que selon sa fréquence réelle.
**Régression vers la moyenne** : tendance statistique d'une mesure extrême à se rapprocher de la moyenne lors d'une mesure ultérieure, du seul fait de la variabilité aléatoire.
**Loi de Pareto 60/20** : constat empirique de l'Ehrenberg-Bass Institute selon lequel le segment des 20 % d'acheteurs les plus actifs d'une marque génère typiquement 55 à 60 % du chiffre d'affaires, et non 80 % comme le suppose la règle intuitive.
**Théorie des options réelles** : cadre d'évaluation qui traite une décision d'investissement incertaine (ici, maintenir ou non un client) comme une option financière, avec une valeur d'attente distincte de la valeur immédiate.
**Seuil de désinvestissement** : niveau de rentabilité en dessous duquel il devient économiquement préférable de mettre fin à une relation client plutôt que de la maintenir.
**Biais du chiffre disponible** : tendance à surpondérer la donnée la plus récente et la plus visible d'un client ou d'un segment au détriment de sa valeur de long terme : voir aussi *Le mythe de la fidélité à la marque*.
---
[^1]: Sharp, B. et Romaniuk, J., *There is a Pareto Law, but not as you know it*, Ehrenberg-Bass Institute, 2007 ; repris dans *How Brands Grow*, Oxford University Press, 2010. [I] https://marketingscience.info/value-paretos-bottom-80/
[^2]: Lockshin, L., *Reward you loyal buyers or not?*, Ehrenberg-Bass Institute, *WBM Australia's Wine Business Magazine*, déc. 2014/janv. 2015. [I] https://marketingscience.info/wine/trade-articles/reward-loyal-buyers-not-2/
[^3]: Tversky, A. et Kahneman, D., « Availability: A heuristic for judging frequency and probability », *Cognitive Psychology*, 5(2), 1973. [I]
[^4]: Méndez-Suárez, M. et Crespo-Tejero, N., « Why do banks retain unprofitable customers? A customer lifetime value real options approach », *Journal of Business Research*, 122, 2021, p. 621-626. [I] https://doi.org/10.1016/j.jbusres.2020.10.008
[^5]: Huber, F. et al., 2017, cité par Méndez-Suárez et Crespo-Tejero (2021) comme origine du chiffre de 30 % de clientèle bancaire sous le seuil de rentabilité économique. [I, second rang]
[^6]: Bain & Company, *How Leading Banks Manage Corporate Client Profitability*, Forbes, juin 2017. [P] https://www.forbes.com/sites/baininsights/2017/06/05/how-leading-banks-manage-corporate-client-profitability/
[^7]: Musshoff, O. et al., 2013, cité par Méndez-Suárez et Crespo-Tejero (2021) sur la réticence à désinvestir en agriculture. [I, second rang]
## Mes réserves
Ce qui invaliderait cette lecture
- Je n'ai pas lu le texte intégral de l'étude bancaire espagnole (Méndez-Suárez et Crespo-Tejero, 2021), seulement son résumé et les passages cités par des travaux ultérieurs : si les seuils de désinvestissement optimaux qu'elle établit se révélaient très spécifiques au marché espagnol ou à cette banque, la portée du cadre options réelles serait plus étroite que ce que j'en tire ici.
- Le chiffre de 30 % de clientèle sous le seuil de rentabilité provient en réalité de Huber et al. (2017), simplement repris par Méndez-Suárez et Crespo-Tejero en ouverture de leur article : si cette source première comportait une définition différente du seuil de rentabilité, l'ordre de grandeur cité perdrait sa valeur de repère.
- La corroboration Bain & Company porte sur un périmètre différent (portefeuille de clients entreprises) et reste une source [P] : si son ordre de grandeur ne se répliquait pas sur d'autres portefeuilles, le rapprochement entre les deux sources perdrait sa valeur de robustesse.
- Les données Ehrenberg-Bass portent sur la grande consommation et les biens de marque : si la relation contractuelle et de longue durée du secteur bancaire ou assurantiel produisait une dynamique de régression vers la moyenne différente de celle mesurée en grande consommation, la transposition proposée ici serait invalidée.
- La Figure 3 est un modèle pédagogique construit sur une seule hypothèse de récurrence annuelle que je n'ai vérifiée nulle part : si l'écart de 15 points ne se reproduisait pas à l'identique d'année en année, la trajectoire cumulée qu'elle illustre ne se vérifierait pas.
Biais cognitifs que cette situation peut déclencher
- Heuristique de disponibilité (Tversky et Kahneman, 1973) : au moment d'appliquer la correction proposée ici, un décideur peut à son tour surpondérer le chiffre le plus récent de son propre tableau de bord, reproduisant le biais même que cette analyse cherche à corriger.
- Biais d'ancrage (Tversky et Kahneman, 1974) : une fois le ratio 60/45 retenu comme repère, il peut être ancré comme une constante universelle plutôt que traité comme un ordre de grandeur propre au jeu de données Ehrenberg-Bass.
- Aversion à la perte et effet de dotation (Kahneman, Knetsch et Thaler, 1991) : le raisonnement en options réelles peut servir à justifier après coup le maintien d'un client déjà en portefeuille, alors que le même profil de client, évalué comme une acquisition nouvelle, ne serait pas nécessairement retenu.
## Travaux analysés
- [There is a Pareto Law, but not as you know it — The value of Pareto's bottom 80%](https://marketingscience.info/value-paretos-bottom-80/)
- [Why do banks retain unprofitable customers? A customer lifetime value real options approach](https://doi.org/10.1016/j.jbusres.2020.10.008)
- [Availability: A heuristic for judging frequency and probability (Tversky & Kahneman, 1973)](https://doi.org/10.1016/0010-0285(73)90033-9)
## Sources
- [Sharp, B. et Romaniuk, J., There is a Pareto Law, but not as you know it, Ehrenberg-Bass Institute, 2007 ; repris dans How Brands Grow, Oxford University Press, 2010. [I]](https://marketingscience.info/value-paretos-bottom-80/)
- [Lockshin, L., Reward you loyal buyers or not?, Ehrenberg-Bass Institute, WBM Australia's Wine Business Magazine, déc. 2014/janv. 2015. [I]](https://marketingscience.info/wine/trade-articles/reward-loyal-buyers-not-2/)
- Tversky, A. et Kahneman, D., Availability: A heuristic for judging frequency and probability, Cognitive Psychology, 5(2), 1973. [I]
- [Méndez-Suárez, M. et Crespo-Tejero, N., Why do banks retain unprofitable customers? A customer lifetime value real options approach, Journal of Business Research, 122, 2021, p. 621-626. [I]](https://doi.org/10.1016/j.jbusres.2020.10.008)
- Huber, F. et al., 2017, cité par Méndez-Suárez et Crespo-Tejero (2021), origine du chiffre de 30 % de clientèle bancaire sous le seuil de rentabilité. [I, second rang]
- [Bain & Company, How Leading Banks Manage Corporate Client Profitability, Forbes, juin 2017. [P]](https://www.forbes.com/sites/baininsights/2017/06/05/how-leading-banks-manage-corporate-client-profitability/)
- Musshoff, O. et al., 2013, cité par Méndez-Suárez et Crespo-Tejero (2021), réticence à désinvestir en agriculture. [I, second rang]
---
Publié sur Probans — https://probans.org/analyses/biais-client-visible-valeur-client