Cas d’utilisation : prévoir les mises à niveau d’abonnement grâce à un ciblage plus intelligent

Cet exemple illustre comment une marque fictive utilise Braze Predictive Events pour définir les résultats qui comptent pour son activité, comme la mise à niveau vers un abonnement pro, et créer des stratégies ciblées qui améliorent les résultats.

Supposons que Jordan soit stratège en cycle de vie chez Steppington, une application de santé et de remise en forme proposant des formules gratuites et payantes. L’équipe de Jordan a pour objectif d’augmenter le nombre de mises à niveau vers le forfait Pro sans inonder l’ensemble de ses utilisateurs gratuits de messages promotionnels. Actuellement, ils envoient une promotion « Essayez la version Pro à 50 % de réduction » à tous les utilisateurs de la version gratuite après sept jours. Bien que cela génère certaines conversions (environ 5 % sur 7 jours), cela entraîne également une portée excessive, notamment en accordant des remises à des utilisateurs qui auraient probablement effectué la mise à niveau de toute façon.

Afin d’améliorer le ciblage et de réduire la lassitude liée à l’envoi de messages, Jordan utilise Predictive Events pour modéliser la probabilité qu’un utilisateur passe à la version Pro dans les 7 prochains jours. Il définit un événement personnalisé : upgraded_to_pro, puis l’utilise pour entraîner un modèle de prédiction et répartir les utilisateurs en groupes intelligents et orientés vers l’action.

Ce tutoriel explique comment Jordan a créé :

• Un modèle prédictif pour upgraded_to_pro dans les 7 prochains jours
• Des segments qui contribuent à augmenter les conversions tout en réduisant le nombre total de messages envoyés

Étape 1 : Créer un modèle prédictif pour les mises à niveau

Jordan commence par définir le résultat le plus important pour sa stratégie de mise à niveau : le passage d’un utilisateur de l’offre gratuite à l’offre Pro. Plutôt que de s’appuyer sur des déclencheurs génériques comme « le temps écoulé depuis l’inscription », il souhaite prévoir quels utilisateurs sont réellement susceptibles de convertir. Ainsi, son équipe peut agir sur la base de signaux concrets, et non de simples suppositions.

1. Dans le tableau de bord de Braze, Jordan se rend dans Analytique > Événements prédictifs.
2. Il crée une nouvelle prédiction d’événement et la nomme « Passage à Pro sous 7 jours »
3. Comme événement cible, il sélectionne son événement personnalisé : upgraded_to_pro.
4. Jordan définit la fenêtre de prédiction sur 7 jours, configure une planification de mise à jour, puis crée la prédiction.

Étape 2 : Segmenter les utilisateurs en fonction de la probabilité de mise à niveau

Une fois l’entraînement terminé, Braze attribue un score de probabilité d’événement (de 0 à 100) à chaque utilisateur éligible. Jordan s’appuie sur ce score pour créer des segments exploitables : l’un pour les utilisateurs à forte intention qui n’ont peut-être pas besoin de remise, l’autre pour les utilisateurs qui ne convertiront probablement pas sans un coup de pouce.

1. Jordan se rend dans Segments dans Braze.
2. Il crée deux Segments à l’aide du filtre Score de probabilité d’événement et sélectionne la prédiction qu’il a créée. Les deux Segments sont les suivants :
   • Mise à niveau probable : score supérieur à 70
   • Besoin d’un coup de pouce pour la mise à niveau : score supérieur à 40 et inférieur à 70

Conseil

Les filtres prédictifs peuvent être combinés avec n’importe quels autres attributs ou comportements utilisateur. Jordan prévoit d’affiner davantage ces Segments en fonction des centres d’intérêt des utilisateurs, par exemple en donnant la priorité à ceux qui utilisent fréquemment les fonctionnalités de suivi sportif. Il obtient ainsi quatre sous-groupes à cibler plus précisément, ce qui permet d’adapter le contenu et les messages aux besoins de chaque utilisateur.

Étape 3 : Personnaliser les messages selon le niveau d’intention

Jordan dispose désormais de signaux clairs d’intention de passage à la version supérieure, ainsi que de sous-groupes affinés selon le comportement des utilisateurs. Il élabore donc une stratégie de communication qui s’adapte aux besoins de chacun. Fini les envois de masse identiques pour tout le monde.

Il choisit l’e-mail comme canal principal pour cette Campaign. Pourquoi ? Jordan veut expliquer la valeur de Pro aux utilisateurs à forte intention et convaincre ceux qui hésitent davantage. Dans les deux cas, il lui faut de l’espace, des visuels et un CTA percutant. L’e-mail lui offre la souplesse nécessaire pour y parvenir sans mettre de pression sur les utilisateurs, tout en lui permettant de suivre les performances grâce au comportement de clic.

Jordan crée un Canvas qui divise l’expérience en fonction des Segments qu’il vient de créer. Il ajoute une étape Parcours d’audience pour cibler :

• Les utilisateurs à forte intention, axés sur le fitness
• Les autres utilisateurs à forte intention
• Les utilisateurs à faible intention, axés sur le fitness
• Les autres utilisateurs à faible intention

Il définit également l’événement personnalisé upgraded_to_pro comme événement de conversion du Canvas, afin que Braze suive automatiquement les conversions à mesure que les utilisateurs progressent dans le parcours.

Exemples de messages par parcours

• intention forte, fitness
• intention forte, autres
• intention faible, fitness
• intention faible, autres

Étape 4 : Mesurer les résultats et optimiser votre stratégie

Une fois la campagne lancée, Jordan examine les performances dans l’analyse des Canvas pour évaluer l’efficacité des parcours personnalisés et vérifier si la combinaison de l’intention prédictive et des signaux comportementaux a amélioré les taux de passage à l’offre supérieure.

Performances des e-mails par parcours :

• Intention élevée, fitness
  • Taux d’ouverture : 34 %
  • Taux de clics : 20 %
  • Taux de conversion : 13 %
  • Aucune remise utilisée
• Intention élevée, autre
  • Taux d’ouverture : 30 %
  • Taux de clics : 17 %
  • Taux de conversion : 11 %
  • Aucune remise utilisée
• Faible intention, fitness
  • Taux d’ouverture : 27 %
  • Taux de clics : 12 %
  • Taux de conversion : 8 %
  • Offre de 50 % de réduction incluse
• Faible intention, autre
  • Taux d’ouverture : 23 %
  • Taux de clics : 9 %
  • Taux de conversion : 6 %
  • Offre de 50 % de réduction incluse

Par rapport à la précédente campagne universelle de l’équipe (où une remise généralisée au bout de 7 jours n’avait généré que 5 % de conversions et entraîné une sur-sollicitation), l’approche ciblée montre une progression significative dans tous les groupes, avec une meilleure efficacité et moins de remises inutiles.

Le rapport d’entonnoir révèle également une nette réduction des abandons aux étapes clés, en particulier chez les utilisateurs à faible intention qui ont reçu des messages personnalisés. Davantage d’utilisateurs ouvrent, cliquent et passent à l’offre supérieure, ce qui prouve la valeur du ciblage basé sur l’intention.

Jordan s’appuie sur ces informations pour :

• Explorer des tests A/B sur les lignes d’objet et la formulation des CTA
• Réévaluer le seuil de remise pour les utilisateurs à intention moyenne
• Continuer à affiner les segments en fonction de comportements supplémentaires, comme les consultations de contenu ou l’utilisation des fonctionnalités de l’application

Grâce aux événements prédictifs et à une segmentation multicouche, son équipe dispose désormais d’une stratégie évolutive qui adapte les messages en fonction de l’intention et du comportement des utilisateurs, ce qui génère davantage de passages à l’offre supérieure tout en préservant la confiance envers la marque.