Predictive AI Klaviyo : CLV, churn risk, next order date appliqués aux flows

TL;DR : Klaviyo calcule nativement une série de valeurs prédictives sur les profils acheteurs : CLV historique, prédit et total, probabilité de churn, date de prochaine commande attendue, nombre de commandes prédit, délai moyen entre commandes, panier moyen et affinité de canal. Il n'y a pas d'écran d'activation : le modèle se construit tout seul dès que le compte atteint les seuils de données de Klaviyo, et il est réentraîné au moins une fois par semaine. Ce guide couvre ces seuils, la création de segments prédictifs, l'intégration dans 3 flows (win-back, VIP nurture, replenishment), et le protocole de comparaison face aux segments rule-based classiques.

1. Pourquoi les prédictions IA changent la logique de vos flows

Les segments rule-based classiques fonctionnent sur des données passées : "n'a pas acheté depuis 90 jours", "a commandé 3 fois ou plus". Ces règles réagissent, elles ne prédisent pas. Elles attrapent les clients qui sont déjà partis, plutôt que ceux qui sont sur le point de partir.

Le predictive analytics Klaviyo inverse cette logique. Au lieu de déclencher un win-back après 90 jours d'inactivité, vous pouvez cibler les clients pour lesquels Klaviyo prédit un risque de churn élevé, même s'ils ont acheté il y a 30 jours. Au lieu d'attendre une commande pour identifier vos VIP, vous pouvez les activer dès que leur CLV prédit dépasse un seuil.

Le résultat : vous intervenez plus tôt, avec un message plus pertinent, avant que le client soit perdu.

Lire aussi : Lifecycle marketing : atteindre 35% de CA par email | Méthode complète Klaviyo pour maximiser vos revenus email

2. Ce que Klaviyo calcule réellement

Klaviyo nomme cette famille de fonctionnalités predictive analytics. Sur un profil, la section correspondante se trouve dans l'onglet Metrics and insights, et elle n'apparaît que si le compte remplit les conditions de la section 3.

2.1 Customer Lifetime Value (CLV prédit)

Klaviyo définit le CLV prédit comme une estimation de ce qu'un client donné va dépenser sur l'année à venir. À côté, le profil affiche le CLV historique (la valeur de toutes les commandes passées, retours et remboursements déduits) et le CLV total, qui est la somme des deux.

Klaviyo insiste sur un point : les prédictions fonctionnent en moyenne sur un groupe, pas à l'individu. Certains clients dépenseront plus que leur CLV prédit, d'autres moins, et c'est l'agrégat qui a du sens. C'est la même logique qui explique un nombre de commandes prédit à 1,43 : cela veut dire une ou deux commandes attendues, avec une marge dans les deux sens.

Il n'existe pas de paliers High / Mid / Low natifs dans Klaviyo. Les seuils, c'est vous qui les posez à partir de la distribution de votre base. La méthode que Klaviyo documente : exporter les valeurs CLV en CSV, calculer votre CLV prédit moyen, et utiliser cette moyenne comme point de séparation entre haute et basse valeur.

Utilisation principale : prioriser les dépenses (offres, cadeaux, support premium) sur les clients à haute valeur prédite.

2.2 Churn Risk (risque d'attrition)

Le score de churn est une probabilité, pas une étiquette. À l'export CSV, Klaviyo le sort sous forme d'un nombre entre 0 et 1 : 0,45 correspond à 45 % de risque de churn.

Sur les entrées du modèle, Klaviyo reste sobre : la probabilité de churn dépend du nombre et de la fréquence des commandes. À chaque nouvelle commande elle baisse, et elle remonte à mesure que le temps passe sans achat. Le comportement d'ouverture email ou la valeur du panier ne sont pas documentés comme entrées de ce modèle : ne les présentez pas comme tels à un client.

Dans le panneau Predictive Insights du Helpdesk Klaviyo, l'éditeur donne l'horizon et les paliers d'affichage : le churn risk y est la probabilité que le client ne rachète pas dans les 90 jours, présentée en Low (moins de 33 %), Medium (33 à 66 %) et High (plus de 66 %).

Attention à ne pas confondre avec le rapport RFM, qui est une autre fonctionnalité. Ses groupes officiels sont Champions, Loyal, Recent, Needs attention, At risk et Inactive. Aucun palier nommé "Winnable" n'existe, ni dans le churn risk ni dans le RFM.

2.3 Expected Date of Next Order (date de prochaine commande attendue)

Pour les produits à fréquence d'achat régulière (beauté, alimentaire, suppléments, consommables), Klaviyo prédit la date à laquelle le client est susceptible de commander à nouveau. Le calcul combine le comportement de commande du client lui-même et celui de l'ensemble de vos clients : si le client n'a pas encore de motif d'achat identifiable, Klaviyo se rabat sur le comportement moyen de votre base.

Deux limites que Klaviyo pose noir sur blanc et qu'il faut connaître avant de bâtir un flow dessus : le modèle ne tient pas compte du produit commandé, et l'éditeur déconseille de faire un compte à rebours vers cette date pour les acheteurs récurrents, qui recevraient la même séquence avant chaque commande. Voir la section 5.3 pour ce que cela implique.

2.4 Predicted Gender (genre probabiliste)

L'algorithme de Klaviyo s'appuie sur le prénom du contact et des données de recensement. Il ne renvoie pas un couple M/F avec un score de confiance, mais une valeur parmi trois : likely male, likely female ou uncertain. Le comportement d'achat n'entre pas dans ce calcul.

Deux points opérationnels : ce champ ne s'affiche pas sur la fiche profil, il sert uniquement en segmentation. Et comme il s'agit d'une approximation, Klaviyo recommande de prévoir du contenu pertinent pour les deux genres dans une communication ciblée.

Le genre prédit ne figure pas dans cet objet API : il s'utilise via la condition de segmentation "Predicted gender".

3. Pré-requis data : ce qu'il faut avant que les prédictions fonctionnent

3.1 Les quatre conditions posées par Klaviyo

Ce ne sont pas des recommandations, ce sont les conditions d'affichage. Klaviyo les liste explicitement, et elles doivent être remplies toutes les quatre :

• Au moins 500 clients ayant passé une commande. Il ne s'agit pas du nombre de profils, mais du nombre de personnes ayant réellement commandé. Les commandes annulées, remboursées ou de valeur nulle ne comptent pas.
• Une intégration e-commerce (Shopify, BigCommerce, Magento, WooCommerce) ou l'envoi des commandes via l'API.
• Au moins 180 jours d'historique de commandes, et des commandes dans les 30 derniers jours. Six mois, pas douze, mais avec une activité récente obligatoire.
• Quelques clients ayant passé 3 commandes ou plus.

En dessous de ces seuils, la section Predictive analytics n'apparaît pas du tout sur les profils. Ce n'est pas une zone vide à remplir plus tard : elle est absente. À l'inverse, si la section est présente mais vide sur un profil précis, cela signifie que Klaviyo n'a pas assez de données sur cet individu-là.

3.2 Qualité des données requises

Sur la cohérence des devises, Klaviyo ne pose pas d'exigence documentée, mais un compte multi-devises qui envoie des $value bruts mélange des ordres de grandeur dans un même modèle : à traiter en amont, dans le mapping de vos métriques.

3.3 Il n'y a rien à activer

C'est le point où beaucoup de tutoriels se trompent : il n'existe pas d'écran "Analytics > Predictive Analytics" à activer. Klaviyo construit le modèle CLV automatiquement à partir des données du compte et le réentraîne au moins une fois par semaine. Aucune action manuelle, aucun délai d'activation à attendre.

Deux endroits où les valeurs se consultent :

• Sur un profil : onglet Metrics and insights, section Predictive analytics.
• Sur un tableau de bord : le dashboard CLV, accessible via Advanced KDP > Intelligence > Predictive models, ou via Marketing Analytics > Predictive models selon votre abonnement. Klaviyo précise que Advanced KDP et Marketing Analytics ne font pas partie de l'application marketing standard et demandent un abonnement dédié.

4. Créer des segments prédictifs

4.1 Segments CLV

La condition à sélectionner dans le constructeur de segments s'appelle "Predictive analytics about someone". Vous choisissez ensuite la métrique CLV voulue (historique, prédite ou totale) et son seuil.

Segment VIP haute valeur :

Predictive analytics about someone > Predicted CLV > is at least > 300
AND has placed order at least 1 time

Segment potentiel mid-value :

Predictive analytics about someone > Predicted CLV > is at least > 100
AND Predictive analytics about someone > Predicted CLV > is at most > 300
AND has placed order 1-2 times

Les montants ci-dessus sont des exemples, pas des repères de marché. Klaviyo recommande de calculer votre CLV prédit moyen à partir d'un export CSV et de l'utiliser comme point de séparation entre haute et basse valeur.

Le second segment identifie les clients qui ont encore peu commandé mais dont le potentiel prédit est significatif. C'est le segment à nurturer activement.

4.2 Segment churn risk

Klaviyo documente un segment de risque de churn, et le churn risk figure parmi les champs d'export CSV des profils. En revanche, les pages consultées ne le documentent pas comme condition du segment builder : la liste des conditions « Predictive analytics about someone » couvre le genre prédit, la CLV historique, prédite et totale, le nombre de commandes prédit et le délai moyen entre deux achats. Construisez donc ce segment depuis la page dédiée au risque de churn, pas en composant une condition prédictive à la main.

Les paliers Low, Medium et High du panneau Predictive Insights servent à lire la distribution de votre base. Ce sont des bornes d'affichage : les transposer telles quelles en seuil de segmentation revient à leur prêter un rôle que Klaviyo ne leur donne pas.

Le filtre utile à ajouter, lui, est comportemental : restreindre aux profils ayant déjà passé au moins deux commandes.

Filtrer sur 2 commandes minimum évite de déclencher un win-back sur des first-timers (qui ont un comportement naturellement différent des clients récurrents). C'est d'autant plus utile qu'une base à forte proportion d'acheteurs uniques affiche mécaniquement un churn risk moyen élevé.

4.3 Segment replenishment

Le libellé de la condition est "Expected date of next order".

Segment "prochaine commande imminente" :

Expected date of next order is in the next 7 days
AND Last order was placed at least 20 days ago

Ce segment capture les clients que Klaviyo prédit sur le point de commander dans la semaine. Idéal pour envoyer un email de facilitation (rappel, offre de livraison gratuite) au bon moment.

Lire aussi : Segmentation Klaviyo : tous les segments qu'il faut créer | CLV email : calcul et utilisation dans vos flows

5. Intégration dans les flows : 3 cas d'usage opérationnels

5.1 Win-back prédictif vs win-back rule-based

Structure du flow win-back prédictif :

Trigger : entre dans le segment de risque de churn décrit plus haut, restreint aux profils ayant passé au moins deux commandes

Délai : 0 min (entrée immédiate)
Email 1 : "On vous retrouve ?" (personnalisé par CLV)
  - CLV high : offre 15% + expédition prioritaire
  - CLV standard : offre 10%

Délai : 5 jours
Condition : a commandé depuis l'entrée dans le flow ?
  - Oui : sortie du flow
  - Non : Email 2

Email 2 : Urgence douce "Votre offre expire bientôt"

Délai : 7 jours
Condition : a commandé ?
  - Oui : sortie
  - Non : Email 3 final + suppression si pas de réaction (clean de liste)

La différence clé avec un win-back rule-based (déclenché après 90 jours d'inactivité) : ce flow intervient en moyenne 3 à 6 semaines plus tôt, quand le client est encore récupérable.

Ce qu'il faut comparer : le délai moyen d'intervention, le taux de conversion et le revenu par destinataire, sur les deux versions lancées en parallèle. Le protocole de test est détaillé en section 6.

5.2 VIP nurture basé sur le CLV prédit

Objectif : identifier les clients à fort potentiel avant qu'ils atteignent un statut VIP "officiel" basé sur les achats passés, et les activer avec un traitement premium.

Structure du flow :

Trigger : entre dans le segment "CLV prédit > 250 € AND total commandes < 4"

Ces clients ont dépensé peu mais Klaviyo prédit un fort potentiel. L'objectif est de les convertir en clients récurrents avant qu'ils testent un concurrent.

Email 1 (J0) : Message de bienvenue personnalisé dans le programme fidélité
  - Objet : "Vous faites partie de nos clients les plus précieux"
  - Contenu : avantages exclusifs, accès anticipé aux nouvelles collections

Email 2 (J7) : Contenu valeur (guide, tutorial, lookbook) selon catégorie d'achat

Email 3 (J14) : Offre exclusive réservée aux membres
  - Code promo unique tracké par profil

Email 4 (J30) : Invitation à laisser un avis + cross-sell basé sur l'historique

Ce qu'il faut mesurer : le CLV réel à 12 mois des clients passés par ce flow, comparé à un groupe témoin de CLV prédit équivalent laissé hors du flow. Sans ce groupe témoin, la progression se confond avec celle qu'auraient eue de bons clients laissés tranquilles.

Lire aussi : VIP Klaviyo : structurer votre programme fidélité

5.3 Replenishment basé sur la next order date

Contexte : e-commerçant en nutrition sportive. Les clients rachètent en moyenne tous les 45 jours, mais la variance est forte (28 à 90 jours selon les produits).

Premier réflexe : lire ce que Klaviyo déconseille. Sur ce cas précis, l'éditeur est explicite. Le modèle de date de prochaine commande ne regarde pas quel produit a été commandé. Si vos catégories ont des cycles de réassort distincts et connus, Klaviyo recommande de créer plusieurs flows déclenchés par Placed Order, un par cycle, avec un filtre de déclenchement sur les produits concernés et un time delay qui reflète le cycle connu. Klaviyo ajoute qu'il ne recommande pas de faire un compte à rebours vers la date prédite pour les acheteurs récurrents, qui recevraient la même séquence avant chaque commande et finiraient par se désabonner.

Traduit pour notre e-commerçant en nutrition : si les cycles sont connus par catégorie (créatine à 30 jours, whey à 45), la version rule-based par catégorie est la bonne réponse, pas la prédiction. Le champ prédictif garde en revanche sa valeur là où le cycle n'est pas connu, typiquement pour nurturer un acheteur unique vers sa deuxième commande.

Le montage correct, quand la prédiction est pertinente : il ne passe pas par un time delay "Until date" pointant vers une propriété de profil dans un flow déclenché par métrique. Ce mécanisme n'existe pas. Klaviyo utilise le flow déclenché par propriété date :

Flows > Create flow > Build your own
> Trigger : Date property = "Expected date of next order"
> Démarrage : 7 jours avant la date
  (Klaviyo pose alors automatiquement un point d'ancrage
   "target date delay component" sur la date elle-même)
> Répétition : "Should not repeat"
> Flow filter : sortie si le contact a passé une commande
  depuis son entrée dans le flow

Email 1 (J-7) : "Il est peut-être temps de renouveler ?"
> point d'ancrage (date prédite)
> Delay 5 jours
> Email 2 : relance, si toujours pas de commande

Deux contraintes de la mécanique à connaître : la propriété date du déclencheur n'est plus modifiable une fois le flow configuré (il faut cloner le flow pour en changer), et un flow date-based n'accepte qu'un seul point d'ancrage, tout conditional split placé avant étant automatiquement rejoint.

Ce qu'il faut mesurer : taux de réachat, délai moyen entre deux commandes et revenue per recipient, sur trois bras comparables : aucune relance de réassort, une relance à date fixe, une relance calée sur la next order date prédite. C'est la seule façon de savoir si la prédiction apporte quelque chose sur votre cycle d'achat, où la variance entre produits peut être plus forte que le gain du modèle.

6. ROI comparé : prédictif vs rule-based

L'argument pour investir le temps de setup des flows prédictifs se vérifie compte par compte. Une moyenne de marché ne dit rien de votre catalogue ni de votre cycle d'achat : c'est le test qui tranche.

6.1 Méthodologie de comparaison

Pour comparer proprement, il faut un A/B test au niveau du flow : la moitié des contacts éligibles entre dans le flow prédictif, l'autre moitié dans le flow rule-based classique. Mesurer sur 90 jours.

6.2 Ce que la comparaison doit mesurer

Les métriques à suivre sur les deux bras du test sont les mêmes : RPR (revenue per recipient, soit le CA total généré divisé par le nombre d'emails envoyés), taux de conversion, et volume envoyé. Le RPR est la métrique qui compte, parce qu'un flow prédictif envoie souvent moins pour générer autant.

Ne comparez pas un flow prédictif à un flow rule-based sur le CA absolu : le prédictif cible une population plus étroite, il perdrait mécaniquement. Comparez à recipient constant.

6.3 Pourquoi les flows prédictifs surperforment souvent

Trois raisons principales expliquent l'écart lorsqu'il apparaît :

1. Timing : l'envoi au bon moment (avant le churn, avant le besoin de renouvellement) augmente mécaniquement la pertinence.
2. Sélectivité : les segments prédictifs sont plus homogènes. On envoie moins, mais à des contacts plus réceptifs.
3. Personnalisation CLV : les offres calibrées selon la valeur prédite évitent de sur-offrir aux petits clients et sous-offrir aux grands.

Lire aussi : RFM email : segmentation avancée de vos clients

7. Limites et points de vigilance

7.1 Précision des prédictions

Klaviyo construit le modèle CLV sur les données de votre propre compte, pas sur une moyenne de marché. La limite qu'il pose lui-même est ailleurs : les prédictions fonctionnent sur des groupes, pas sur des individus. Un CLV prédit affiché sur une fiche profil n'est pas une prévision exacte pour cette personne, et Klaviyo l'écrit noir sur blanc.

En pratique, la précision se dégrade aussi pour :
- Les catalogues très saisonniers, où les pics annuels brouillent le rythme d'achat
- Les business à fort pourcentage d'achats cadeau, dont les dates de prochaine commande sont moins prévisibles
- Les comptes dont l'historique de commandes est incomplet ou mal synchronisé

7.2 Mise à jour des scores

Les scores prédictifs ne sont pas recalculés en temps réel. Klaviyo réentraîne le modèle CLV au moins une fois par semaine, sans garantir de cadence plus fine. Un client qui passe une commande peut donc rester quelques jours dans un segment à churn élevé avant que son score bouge. Ajouter une condition de sortie du flow sur "has placed order" pour éviter des envois incohérents.

7.3 Dépendance à la qualité des données

Un historique de commandes incomplet (commandes importées partiellement, doublons de profils, devises mixtes) dégrade directement la précision des prédictions. Klaviyo n'expose pas d'écran d'audit de qualité des données dédié aux prédictions : le contrôle se fait en amont, sur le mapping de vos métriques, sur la présence du champ $value dans vos événements Placed Order si vous passez par l'API, et sur la complétude de l'import historique.

8. Checklist predictive analytics Klaviyo

• [ ] Vérifier : au moins 500 clients ayant passé une commande non annulée, non remboursée et de valeur non nulle
• [ ] Vérifier : au moins 180 jours d'historique et des commandes dans les 30 derniers jours
• [ ] Vérifier : quelques clients à 3 commandes ou plus
• [ ] Vérifier : connexion Shopify / WooCommerce (ou API avec $value) et historique complet synchronisé
• [ ] Ouvrir un profil acheteur, onglet Metrics and insights : la section Predictive analytics doit être présente et remplie
• [ ] Exporter les valeurs CLV en CSV et calculer votre CLV prédit moyen avant de fixer le moindre seuil
• [ ] Créer les 3 segments clés : CLV prédit au-dessus de votre moyenne, churn risk au-dessus de votre seuil, expected date of next order dans 7 jours
• [ ] Cloner les flows rule-based existants pour créer les variantes prédictives
• [ ] Configurer un A/B test flow pour mesurer l'écart de performance
• [ ] Planifier une revue à 90 jours pour valider le ROI et ajuster les seuils

Lire aussi : Welcome flow Klaviyo : structure et séquence complète | Flow abandon panier Klaviyo : récupérer les commandes perdues

Exploiter la CLV prédictive et le churn scoring demande un compte Klaviyo bien structuré en amont. Un audit Klaviyo gratuit de 30 minutes, sans engagement, permet de vérifier où vous en êtes avec un expert.

FAQ

Quel plan Klaviyo est nécessaire pour accéder aux prédictions ?
La question du plan est secondaire : ce qui conditionne l'affichage des valeurs prédictives sur les profils, ce sont les seuils de données de la section 3, à commencer par 500 clients acheteurs. Un compte gratuit, plafonné à 250 profils actifs, ne peut pas les atteindre. À noter aussi que la grille tarifaire de Klaviyo ne comporte plus de plans nommés "Email" ni "Email + SMS" : les offres actuelles sont Gratuit, Marketing, Data + Analytics, Service, Composer, Customer Agent, services professionnels et Enterprise. Le tableau de bord CLV, lui, relève d'Advanced KDP ou de Marketing Analytics, qui demandent un abonnement à part.

Combien de temps faut-il pour que les prédictions soient calculées ?
Klaviyo ne documente ni étape d'activation ni délai de premier calcul. Ce qu'il documente : le modèle CLV est construit automatiquement à partir des données du compte et réentraîné au moins une fois par semaine. Méfiez-vous des tutoriels qui annoncent un délai précis de 24 ou 48 heures, ce chiffre ne vient d'aucune page officielle.

Les prédictions sont-elles visibles sur les profils individuels ?
En partie. L'onglet Metrics and insights d'un profil affiche une section Predictive analytics avec le CLV historique, prédit et total, la probabilité de churn et le délai moyen entre commandes. Le genre prédit, en revanche, ne s'affiche pas sur la fiche profil : il n'est exploitable qu'en segmentation.

Peut-on utiliser les prédictions dans des campagnes (pas seulement des flows) ?
Oui. Les propriétés prédictives sont des propriétés de profil standards. Elles peuvent être utilisées pour cibler des campagnes, créer des audiences, et personnaliser le contenu. Par exemple : envoyer une campagne uniquement aux profils avec CLV prédit > 200 euros.

Comment savoir si les prédictions sont fiables pour mon compte ?
Klaviyo n'expose pas de score de confiance sur les prédictions. Le seul signal binaire qu'il donne est l'affichage lui-même : tant que les quatre conditions de la section 3 ne sont pas remplies, la section Predictive analytics n'apparaît pas sur les profils, et si elle apparaît vide sur un profil donné, c'est que les données manquent sur cet individu. Pour le reste, la vérification est de votre côté : regrouper les clients par bande de CLV prédit, comparer la dépense réellement constatée sur l'horizon correspondant, et vérifier que les bandes hautes réalisent bien davantage.

Peut-on combiner les prédictions avec des event properties dans le même flow ?
Oui. Par exemple dans un win-back flow, vous pouvez utiliser le churn risk comme critère d'entrée dans le segment (profile property), puis afficher le dernier produit acheté via une event property dans le template email. Les deux sources de données sont compatibles.

Les prédictions Klaviyo sont-elles conformes au RGPD ?
Il n'existe pas de "certification RGPD". Klaviyo se présente comme sous-traitant au sens du règlement, s'appuie sur son accord de traitement des données incluant les clauses contractuelles types, et déclare son auto-certification au Data Privacy Framework UE-États-Unis. Le responsable de traitement, c'est vous. Calculer un CLV prédit ou un score de churn relève du profilage. L'article 22 du RGPD, lui, vise les décisions entièrement automatisées produisant des effets juridiques ou affectant la personne de manière significative : la CNIL précise qu'une décision entièrement automatisée peut découler d'un profilage, mais que ce n'est pas systématique. Cibler un email sur un score n'a a priori pas cette portée. À faire dans tous les cas : documenter le profilage dans votre politique de confidentialité et dans votre registre des traitements.

Charlotte Rodrigues, CRM Lead chez Deliver

Vous voulez activer le predictive analytics Klaviyo et structurer vos flows lifecycle ? Réservez un appel avec notre équipe.

Vous cherchez une agence spécialisée pour exploiter la CLV prédictive et le churn scoring dans votre programme lifecycle ? Deliver accompagne les marques DTC depuis Tournai (BE). Réservez 30 minutes avec Charlotte ou consultez notre page agence Klaviyo.