Prédiction du win rate des opportunités commerciales
Un outil prédictif pour optimiser la stratégie commerciale et fiabiliser les prévisions de charge
Contexte
Notre client, un groupe industriel multi-sites, pilotait ses opportunités commerciales uniquement sur la base de l'expertise terrain de son Bureau d'Études. Cette approche présentait plusieurs limites :
Fixation des marges intuitive : les décisions tarifaires s'appuyaient principalement sur l'expérience, sans données objectives
Manque de visibilité sur l'impact réel des niveaux de marge sur les chances de succès
Prévisions de charge imprécises : le planning des équipes se basait sur la somme brute du pipeline, sans pondération par la probabilité de gain
Décisions difficilement reproductibles et forte dépendance aux compétences individuelles
Questionnements récurrents : comment trouver le juste équilibre entre chances de remporter une affaire et impératif de rentabilité ?
L'entreprise cherchait à objectiver ses décisions commerciales et à améliorer la fiabilité de ses prévisions opérationnelles.
Objectifs
Analyser les facteurs qui déterminent le succès des opportunités commerciales
Prédire la probabilité de gain sur le pipeline actuel selon les niveaux de marge proposés
Simuler l'impact de différentes stratégies tarifaires
Déterminer le niveau de marge optimal sur l'ensemble du portefeuille
Fiabiliser la planification de la charge de travail future
Approche et solution
Nous avons développé une solution complète de machine learning combinant analyse prédictive, simulation de scénarios et aide à la décision :
1. Constitution et préparation des données
Réconciliation des données commerciales avec les données projets via des algorithmes de rapprochement
Nettoyage et harmonisation de l'historique pipeline sur 3 ans
Création d'une base d'entraînement avec 500+ opportunités qualifiées
2. Développement du modèle prédictif
Algorithme Random Forest entraîné sur l'historique des gains/pertes
Identification des variables explicatives les plus impactantes (taux de marge, type de client, région, montant...)
Précision du modèle : 91% sur les affaires de test
3. Interface de simulation interactive
Outil Streamlit permettant l'import des données et l'utilisation du modèle en temps réel
Calcul automatique des probabilités de gain par affaire
Analyse de sensibilité : impact de variations de marge sur la probabilité de succès
Optimisation globale : recherche de la marge moyenne optimale pour maximiser le chiffre d'affaires pondéré
4. Tableaux de bord et reporting
Vision agrégée du pipeline avec montants pondérés par les probabilités
Comparaison scénarios : impact de différentes stratégies tarifaires
Suivi de la performance du modèle vs. réalité des gains
Résultats
Gain de temps : traitement de 70 contrats en 30 minutes (vs. 3 jours à temps plein pour un juriste)
Visibilité immédiate sur les clauses critiques pour plus de 200 contrats
Identification d’opportunités de réduction de coûts non activées
Autonomisation des acheteurs dans la lecture et l’exploitation des engagements contractuels
Création d’une base unique fiable, facile à mettre à jour et interrogeable