Excel : scoring client RFM pour e-commerce africain

RFM, la segmentation qui multiplie le CA

Le scoring RFM (Récence, Fréquence, Montant) est la technique de segmentation marketing la plus efficace pour un e-commerce. Au lieu de segmenter les clients par tranche d’âge ou zone géographique (approximations), on les classe selon leur comportement d’achat réel.

Les 3 dimensions

Récence : nombre de jours depuis le dernier achat. Plus court = meilleur score. Fréquence : nombre total de commandes sur la période. Plus élevé = meilleur score. Montant : CA total généré. Plus élevé = meilleur score.

Vue d’ensemble 1 : préparer les données

Exportez l’historique des commandes de votre e-commerce (Shopify, WooCommerce, Jumia). Colonnes minimales : ClientID, DateCommande, Montant. Chargez dans Excel via Power Query, une ligne par commande.

Vue d’ensemble 2 : agréger par client

Nouvelle feuille Clients avec formules ou tableau croisé dynamique :

DerniereCommande : =MAX si.ENS(Commandes[Date]; Commandes[Client]; A2)
NbCommandes : =NB.SI(Commandes[Client]; A2)
CATotal : =SOMME.SI(Commandes[Client]; A2; Commandes[Montant])
Recence : =AUJOURDHUI() - DerniereCommande

Vue d’ensemble 3 : attribuer des scores 1-5

Pour chaque dimension, utilisez les quintiles. Fonction QUARTILE.INCLURE avec percentiles 0,2 / 0,4 / 0,6 / 0,8 définit 5 classes.

ScoreR : =SI(Recence<=C1;5; SI(Recence<=C2;4; SI(Recence<=C3;3; SI(Recence<=C4;2;1))))
ScoreF : même logique en sens inverse
ScoreM : idem

Où C1 à C4 sont les seuils de percentiles calculés sur la base.

Vue d’ensemble 4 : concaténation du code RFM

=ScoreR & ScoreF & ScoreM

Par exemple 554 = client très récent, très fréquent, bon panier. 111 = client dormant à faible valeur.

Vue d’ensemble 5 : segmentation

Mapper les 125 combinaisons possibles en 9-10 segments actionnables :

• Champions : R=5, F=5, M=5 – réserver les meilleurs avantages
• Loyaux : F=4-5, M=4-5 – programme de fidélité
• Potentiel : R=5, F=1-2 – cross-sell aux nouveaux acheteurs
• À risque : R=2-3, F=4-5 – campagne de reconquête
• Dormants : R=1, F=4-5 – offre agressive
• Perdus : R=1, F=1, M=1 – ne pas sur-investir

Vue d’ensemble 6 : actions marketing

Chaque segment reçoit une communication adaptée. Exemple e-commerce à Dakar : Champions (5 pour cent des clients mais 40 pour cent du CA) reçoivent un accès VIP aux nouveautés. Dormants reçoivent un code -20 pour cent. ROI mesuré : augmentation de 18 pour cent du CA total en 3 mois.

Automatisation hebdomadaire

Power Query mise à jour chaque lundi, scores recalculés, segments mis à jour, export vers Klaviyo ou Brevo pour déclencher les campagnes automatiques. Investissement initial : 1 journée. Gain récurrent : toute l’année.

Conclusion

Le RFM est le premier pas vers un marketing data-driven pour un e-commerce africain. Aucun outil propriétaire requis : Excel suffit amplement jusqu’à 200 000 clients actifs.

Voir aussi

• Python dans Excel : analyser ses données avec pandas et matplotlib
• Python pandas : traiter Excel et CSV en pratique
• Python pour analystes : automatiser Excel et les données

Étape 1 — Extraire les données de commandes propres

Le scoring RFM ne vaut que ce que vaut l’extraction. Sur un e-commerce de cosmétique basé à Yopougon qui tourne sur WooCommerce, l’export brut contient les paniers abandonnés, les remboursements et les commandes invitées sans email — trois sources de pollution qui faussent toute la segmentation.

Connectez-vous au back-office WooCommerce, allez dans WooCommerce → Commandes → Exporter (extension officielle gratuite « Customer/Order/Coupon Export »). Cochez uniquement les statuts processing et completed, période 12 derniers mois glissants. Téléchargez en CSV UTF-8.

Colonnes minimales requises dans le CSV :
order_id, order_date, customer_email, order_total

Filtres à appliquer dans Excel après import :
- supprimer les lignes où customer_email est vide
- supprimer les order_total < 1 000 FCFA (commandes test)
- convertir order_total en nombre (Données → Convertir)

Sortie attendue : un tableau structuré tblCommandes de 5 000 à 50 000 lignes selon la taille du shop. Si la colonne order_total reste alignée à gauche, c’est qu’elle est en texte — utilisez =CNUM(A2) ou la conversion Données.

Étape 2 — Agréger par client (R, F, M bruts)

Chaque client doit obtenir trois nombres : sa dernière commande (Recency en jours), son nombre total de commandes (Frequency), et son chiffre d’affaires cumulé (Monetary).

Créez une feuille RFM et listez les emails uniques en colonne A via :

=UNIQUE(tblCommandes[customer_email])

Puis en colonnes B, C, D :

B (Recency) : =AUJOURDHUI()-MAX.SI.ENS(tblCommandes[order_date];tblCommandes[customer_email];A2)
C (Frequency) : =NB.SI(tblCommandes[customer_email];A2)
D (Monetary) : =SOMME.SI(tblCommandes[customer_email];A2;tblCommandes[order_total])

Indicateur de succès : la colonne B affiche des entiers entre 1 et 365, C des entiers ≥ 1, D des montants en FCFA. Si Recency renvoie une date au format jj/mm/aaaa, forcez le format Standard.

Étape 3 — Convertir en quintiles (notes 1 à 5)

Les valeurs brutes ne se comparent pas entre boutiques : 50 000 FCFA est gros pour un shop de bijoux artisanaux mais riquiqui pour un revendeur électroménager. Il faut normaliser via les quintiles — chaque client reçoit une note de 1 à 5 par rapport à sa propre base.

E (R_Score) : =6-EQUIV(B2;{0;PERCENTILE.INCLURE($B$2:$B$5001;0,2);PERCENTILE.INCLURE($B$2:$B$5001;0,4);PERCENTILE.INCLURE($B$2:$B$5001;0,6);PERCENTILE.INCLURE($B$2:$B$5001;0,8)};1)
F (F_Score) : =EQUIV(C2;{0;PERCENTILE.INCLURE($C$2:$C$5001;0,2);PERCENTILE.INCLURE($C$2:$C$5001;0,4);PERCENTILE.INCLURE($C$2:$C$5001;0,6);PERCENTILE.INCLURE($C$2:$C$5001;0,8)};1)
G (M_Score) : =EQUIV(D2;{0;PERCENTILE.INCLURE($D$2:$D$5001;0,2);PERCENTILE.INCLURE($D$2:$D$5001;0,4);PERCENTILE.INCLURE($D$2:$D$5001;0,6);PERCENTILE.INCLURE($D$2:$D$5001;0,8)};1)

Le 6-EQUIV sur Recency inverse l’échelle : un Recency faible (commande récente) doit valoir 5, pas 1.

Étape 4 — Construire le code RFM concaténé

La signature RFM combine les trois notes en une chaîne lisible. Un client noté R=5, F=4, M=5 a le code 545 — gros acheteur, fidèle, récent.

H (RFM_Code) : =E2&F2&G2
I (RFM_Sum)  : =E2+F2+G2

Le RFM_Sum (entre 3 et 15) sert de score global pour les tris rapides. Le RFM_Code conserve la granularité : un client 155 (très récent mais peu fréquent et gros panier) ne se traite pas comme un 551.

Étape 5 — Segmenter en 5 personas actionnables

11 codes × 11 codes × 11 codes = 125 combinaisons : invendable en réunion marketing. Les segments standards regroupent ces codes en personas activables.

J (Segment) : =SI(ET(E2>=4;F2>=4;G2>=4);"Champions";
              SI(ET(E2>=3;F2>=3);"Loyaux";
              SI(ET(E2>=4;F2<=2);"Nouveaux";
              SI(ET(E2<=2;F2>=3;G2>=3);"À risque";
              SI(ET(E2<=2;F2<=2);"Hibernants";"Standards")))))

Validation visuelle : un tableau croisé dynamique sur la colonne Segment doit montrer une distribution typique de 5-10 % Champions, 15-25 % Loyaux, 20-30 % Hibernants.

Étape 6 — Activer les segments dans la routine commerciale

Le scoring sans action est un fichier Excel mort. Chaque segment doit déclencher une campagne distincte, pilotée depuis votre outil d’emailing (Brevo, Mailchimp, Sendinblue) connecté à WooCommerce.

Pour les Champions : programme de parrainage avec récompense en bons d’achat, paiement Mixx by Yas ou Wave pour les clients sénégalais. Pour les À risque : email de réactivation avec offre limitée à 7 jours et appel téléphonique du commercial pour les paniers > 100 000 FCFA. Pour les Hibernants : campagne winback à coût bas.

Exportez la colonne email + segment en CSV, importez dans Brevo via Contacts → Listes → Importer → Mapper le champ Segment sur un attribut personnalisé. Pour approfondir, voyez notre tutoriel RECHERCHEX et suivi contrats.

Étape 7 — Recalculer chaque mois

Le RFM est un cliché à un instant T. Sans rafraîchissement, un Champion devient un Hibernant invisible. Programmez un rappel calendrier le 1ᵉʳ de chaque mois pour relancer l’export WooCommerce et écraser la feuille tblCommandes.

Bonne pratique : versionnez les fichiers (rfm_2026_05.xlsx, rfm_2026_06.xlsx) sur un OneDrive Business partagé et tracez l’évolution des segments en feuille séparée — la migration d’un client de Standard à Champion vaut un suivi qualitatif. Si la base dépasse 50 000 clients, basculez sur Power Query pour automatiser l’agrégation : Excel natif ralentit au-delà.

Calculer la Customer Lifetime Value (CLV) en complement du score RFM

Le score RFM segmente les clients selon leurs achats passes, mais il ne projette pas la valeur future. La Customer Lifetime Value (CLV) comble ce manque en estimant le chiffre d’affaires total qu’un client generera sur la duree de sa relation avec la boutique. La formule simplifiee tient en trois parametres : panier moyen, frequence d’achat annuelle, duree moyenne de la relation client. Pour un site e-commerce a Dakar qui vend des cosmetiques bio, une CLV de 180 000 FCFA sur trois ans est une bonne base de pilotage.

Dans Excel, ajoutez les colonnes Panier moyen, Frequence annuelle et Duree estimee a votre tableau RFM, puis calculez la CLV par produit cellule par produit cellule. Triez ensuite par CLV decroissante pour identifier les clients dont la valeur cumulee justifie une attention commerciale renforcee : programme VIP, acces prioritaire aux nouveautes, support dedie sur WhatsApp Business.

Croisez la CLV avec le segment RFM : un client Champions avec une CLV elevee est l’or pur de la boutique, un client en risque mais a CLV elevee justifie une intervention de retention immediate. Cette double lecture transforme un tableau de scoring statique en outil de decision marketing pointu.

Predire le churn pour declencher des actions de retention

Le churn, ou attrition client, est la probabilite qu’un client cesse d’acheter dans les prochains mois. Sur Excel, une approche pragmatique consiste a poser une regle simple : un client qui n’a pas commande depuis plus de 1,5 fois sa frequence habituelle est en risque de churn. Une formule combine la date du dernier achat avec la frequence moyenne pour produire un drapeau Risque de churn (oui/non). Cette regle simple capte 60 a 70 pour cent des clients reellement perdus dans le trimestre suivant.

Pour les structures plus matures, un modele de regression logistique sur les variables RFM produit une probabilite de churn entre 0 et 1, avec une precision sensiblement superieure. Ce modele, calcule dans Excel avec les fonctions de l’Outil d’analyse, demande deux a trois heures de mise en place mais offre un retour sur investissement rapide pour une boutique au-dela de 1 000 clients actifs.

Declenchez sur les clients a haut risque une campagne de retention dediee : message WhatsApp Business personnalise, code promo exclusif valable 14 jours, ou simple appel telephonique pour comprendre le silence. Mesurez ensuite le taux de retour des relances pour ajuster la regle. Voir notre dossier sur le bouche-a-oreille digital.

Mettre en place un A/B test simple pour valider les hypotheses marketing

L’A/B testing consiste a comparer deux versions d’un message marketing (objet de mail, code promo, photo produit) sur deux groupes equivalents pour identifier laquelle convertit le mieux. Pour une boutique a Abidjan ou Cotonou, un A/B test simple sur les campagnes WhatsApp Business demande de scinder aleatoirement la liste des clients en deux groupes de meme taille, d’envoyer la version A au premier et la version B au second, puis de comparer les taux de clic et de conversion sur sept jours.

Dans Excel, generez la repartition aleatoire avec ALEA() puis seuil 0,5, et calculez les taux de conversion par groupe avec NB.SI et SOMMEPROD. Un ecart inferieur a 2 points de pourcentage n’est generalement pas significatif statistiquement et doit pousser a re-tester sur un volume plus important. Au-dela de 5 points, l’ecart est probablement reel et la version gagnante peut etre generalisee.

Documenter chaque experimentation pour capitaliser sur la duree

L’A/B testing prend tout son sens quand il s’inscrit dans une demarche de capitalisation. Tenez un journal des experiences avec, pour chaque test, la date, l’hypothese, la version A, la version B, la taille de l’echantillon, le resultat brut et l’enseignement retenu. Au bout de douze mois et vingt experiences, ce journal devient un patrimoine intellectuel majeur qui evite de retester en boucle les memes idees et qui sert de reference pour onboarder les nouveaux membres de l’equipe marketing.

Acceptez que la majorite des A/B tests produisent un resultat non significatif. C’est normal et meme sain : si toutes vos hypotheses gagnaient, vous testeriez des choses trop evidentes. Visez 30 a 40 pour cent de tests gagnants pour avoir un bon equilibre entre apprentissage et avancement operationnel.

Reservez chaque trimestre un creneau de deux heures pour relire le journal et identifier les patterns transversaux. Souvent, des constantes metier emergent : par exemple, les messages personnalises avec le prenom convertissent systematiquement mieux dans votre clientele, ou les offres a duree limitee de 24 heures battent toujours celles a 7 jours. Ces constantes deviennent ensuite des regles par defaut.

Synchroniser le scoring RFM avec votre outil CRM

Au-dela d’Excel, exportez chaque mois votre tableau de scoring RFM vers le CRM utilise par les commerciaux (HubSpot Free, Brevo, ou un outil maison). Cette synchronisation transforme une donnee statique en signal d’action commerciale : un commercial voit immediatement, en ouvrant la fiche client, le segment RFM et la CLV estimee, ce qui oriente la conversation vers la bonne offre.

Documentez la procedure d’export et le mappage des champs dans une fiche partagee, et testez le format avant chaque generalisation. Un mauvais mappage corrompt rapidement la base CRM et coute plusieurs jours de nettoyage manuel.