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 : un utilisateur passant du forfait gratuit au forfait Pro. Plutôt que de s’appuyer sur des déclencheurs génériques comme « temps écoulé depuis l’inscription », il souhaite anticiper quels utilisateurs sont réellement susceptibles de convertir. Ainsi, son équipe peut agir sur des signaux concrets, et non sur de simples hypothèses.

1. Dans le tableau de bord de Braze, Jordan se rend dans Analytics > Predictive Events.
2. Il crée une nouvelle prédiction d’événement et la nomme « Upgrade to Pro in 7 days ».
3. Comme événement cible, il sélectionne son événement personnalisé : upgraded_to_pro.
4. Jordan définit la fenêtre de prédiction à 7 jours, configure un calendrier de mise à jour et 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 (0-100) à chaque utilisateur éligible. Jordan utilise ce score pour créer des segments exploitables : un pour les utilisateurs à forte intention qui n’ont peut-être pas besoin d’une remise, et un autre pour les utilisateurs qui ne convertiront probablement pas sans accompagnement.

1. Jordan accède aux Segments dans Braze.
2. Il crée deux segments à l’aide du filtre de score de probabilité d’événement et sélectionne la prédiction qu’il a créée. Les deux segments sont :
   • Susceptibles de passer à la version supérieure : Score supérieur à 70
   • Besoin d’un coup de pouce pour passer à la version supérieure : 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 aux utilisateurs qui utilisent fréquemment les fonctionnalités de suivi fitness. Cela lui donne quatre sous-groupes à cibler plus précisément, permettant d’adapter le contenu et les messages aux besoins de chaque utilisateur.

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

Maintenant que Jordan dispose de signaux clairs d’intention de mise à niveau — et de sous-groupes affinés basés sur le comportement des utilisateurs — il élabore une stratégie de communication qui s’adapte aux besoins de chaque utilisateur. Fini les envois de masse uniformes.

Il choisit l’e-mail comme canal principal pour cette Campaign. Pourquoi ? Parce que Jordan souhaite expliquer la valeur de Pro aux utilisateurs à forte intention et présenter un argumentaire convaincant aux utilisateurs plus hésitants — deux objectifs qui nécessitent de l’espace, des visuels et un CTA percutant. L’e-mail lui offre la flexibilité nécessaire pour y parvenir efficacement sans exercer de pression sur les utilisateurs, et lui permet de suivre les performances via le comportement de clic.

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

• Les utilisateurs à forte intention, orientés fitness
• Les utilisateurs à forte intention, autres
• Les utilisateurs à faible intention, orientés fitness
• Les utilisateurs à faible intention, autres

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

Exemples de messages par parcours

• forte intention, fitness
• forte intention, autre
• faible intention, fitness
• faible intention, autre

Étape 4 : Mesurer les résultats et optimiser votre stratégie

Une fois la campagne terminée, Jordan examine les performances dans Canvas Analytics pour comprendre comment les parcours personnalisés ont fonctionné, et si la combinaison de l’intention prédictive avec les signaux comportementaux a amélioré les taux de mise à niveau.

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
• Intention faible, fitness
  • Taux d’ouverture : 27 %
  • Taux de clics : 12 %
  • Taux de conversion : 8 %
  • Offre à -50 % incluse
• Intention faible, autre
  • Taux d’ouverture : 23 %
  • Taux de clics : 9 %
  • Taux de conversion : 6 %
  • Offre à -50 % incluse

Par rapport à la précédente campagne générique de l’équipe (où une remise uniforme envoyée après 7 jours n’avait généré que 5 % de conversions et un sur-envoi de messages), l’approche ciblée montre une amélioration significative dans tous les groupes, avec une efficacité accrue et moins de remises inutiles.

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

Jordan utilise 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 à Predictive Events 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, favorisant davantage de mises à niveau tout en préservant la confiance envers la marque.