Vous savez au bout de combien de temps, en moyenne, un client repasse commande chez vous ? La plupart des entreprises pilotent leur réachat à l'aveugle, alors que la donnée pour le prévoir dort déjà dans leur CRM. Quand vos clients recommandent régulièrement mais sans abonnement automatique, chaque commande est une décision qu'ils reprennent à zéro : si vous ne voyez pas venir le bon moment, vous relancez trop tard et vous laissez décrocher des clients sans le voir.
Dans ce guide, vous allez voir comment déterminer la fréquence de commande de vos clients, estimer la date de leur prochaine commande, et exploiter ces deux données nativement dans HubSpot - avec les propriétés à créer et la formule exacte de chacune.
Ce que ça débloque, équipe par équipe
Une fois la fréquence et la date de prochaine commande calculées au niveau de l'entreprise, chaque équipe en tire un usage concret :
- Sales - prioriser les entreprises proches de leur prochaine commande ; maximiser le taux de réachat.
- Marketing - déclencher des workflows automatisés ; activer des segments clients selon leur date de commande.
- Service & Customer Success - identifier les clients en retard ; alimenter un score d'attrition (churn).
- Direction - suivre le % d'entreprises en retard ; comprendre les comportements d'achat par cible et par produit.
La logique de calcul : 3 données, 2 formules
Tout repose sur l'historique d'achat. Au niveau de chaque entreprise cliente, on part de trois informations :
- La date de première commande
- La date de dernière commande
- Le nombre total de commandes
On calcule d'abord la fréquence de commande :
Fréquence (jours) = (Date de dernière commande − Date de 1ère commande) ÷ (Nombre de commandes − 1)
Le piège classique : on divise par le nombre de commandes moins un, pas par le nombre de commandes. La raison est géométrique - entre 8 commandes, il n'y a que 7 intervalles, et c'est la durée moyenne d'un intervalle qui vous intéresse. Un restaurant qui a passé 8 commandes sur 280 jours : le bon calcul donne 280 / (8 − 1) = 40 jours, pas 35. Répétée sur toute la base, l'erreur fait croire vos clients plus fréquents qu'ils ne le sont et déclenche vos relances trop tôt.
On ajoute ensuite cette fréquence à la dernière commande pour obtenir la date estimée de prochaine commande :
Date estimée de prochaine commande = Date de dernière commande + Fréquence
Cette date est directement exploitable dans les fonctionnalités natives d'HubSpot (fiches, segments, rapports, workflows, scoring).
Implémenter dans HubSpot
Prérequis. Il vous faut un objet « commande » où chaque commande est un enregistrement daté : le plus souvent la transaction (Deal) utilisée comme commande, ou un objet personnalisé « Commandes », associé à l'entreprise. Toutes les propriétés se créent sur l'objet Entreprise. Deux façons de procéder selon votre offre.
Option 1 - avec les Datasets (Operations Hub, ex-« Data Studio »)
- Créer un dataset avec deux sources : Entreprises (source primaire) + Commandes.
- Créer les champs agrégés sur les commandes : date de dernière commande → fonction
Most_recent ; date de 1ère commande → Oldest ; nombre de commandes → Distinct_count.
- Créer la propriété calculée de fréquence à partir de ces champs. Pensez à utiliser le format « champ agrégé », sinon les calculs peuvent ne pas fonctionner.
- Mapper ces calculs vers des propriétés personnalisées au niveau de l'entreprise.
Option 2 - sans Datasets (propriétés + workflows)
Remonter les 3 données sur l'entreprise. Le plus simple : des propriétés de rollup natives - « date la plus ancienne » (1ère commande), « date la plus récente » (dernière commande) et « décompte » (nombre de commandes, association Commande). À défaut de rollup de date, on copie les dates sur l'entreprise par workflow ; astuce : un seul workflow met à jour la date de dernière commande, avec une branche « si la date de 1ère commande est inconnue » qui remplit alors le champ de première commande.
Propriété calculée - Fréquence de commande (en jours) :
round_nearest( ((((([Date dernière commande] - [Date 1ère commande]) / 1000) / 60) / 60) / 24) / ([Nombre de commandes] - 1), 0 )
Détails : round_nearest(…, 0) arrondit au jour le plus proche ; la division par 1000 / 60 / 60 / 24 fait passer du format milliseconde au format jour ; la division par [Nombre de commandes] - 1 donne la durée moyenne d'un intervalle.
Propriété calculée - Date estimée de prochaine commande :
add_time([Date dernière commande], [Fréquence de commande], "day")
Détails : la fonction add_time ajoute une durée à une date ; on sélectionne "day" pour rester en jours. (Si votre éditeur n'expose pas add_time, l'équivalent en millisecondes fonctionne aussi : [Date dernière commande] + ([Fréquence de commande] * 86400000).)
Deux cas à connaître. Un client avec une seule commande donne [Nombre de commandes] - 1 = 0 : la division par zéro laisse la propriété vide - c'est voulu, on isole ces clients à part. Et une date estimée qui tombe dans le passé n'est pas un bug : c'est le signal d'un client qui a dépassé son rythme habituel, donc qui décroche.
Exploiter les données une fois calculées pour augmenter la fréquence d'achat
Dès que ces champs existent sur l'entreprise, tout le reste est natif dans HubSpot :
- Fiche entreprise - afficher ces données à vos équipes, par exemple dans la section « À propos » de la fiche.
- Segments - créer de nouvelles cibles clients ; exemple : les clients en retard d'une semaine sur leur date estimée de prochaine commande.
- Rapports - comparer par cible et créer des ratios ; exemple : fréquence de commande par ICP (profil client idéal) ou par géographie, % de clients en retard.
- Scoring - augmenter proportionnellement le score d'attrition d'une entreprise selon son retard sur la date estimée.
Workflows - les trois temps autour de la date. C'est ici que la donnée devient du chiffre d'affaires. On branche des workflows automatisés sur la date estimée :
- Avant (J-7) - email de réassort automatique ou tâche de relance au commercial, pour capter la commande avant que le besoin se manifeste et devancer un concurrent.
- Sur la date (J) - si aucune nouvelle commande n'est enregistrée, notification au commercial, offre de réassort ou rappel produit : le client est pile dans sa fenêtre d'achat habituelle.
- Après (dépassement) - au-delà de la date (par ex. +2 semaines, ou +1 mois pour un cas franc), une tâche part vers le support ou le commercial pour diagnostiquer (rupture, insatisfaction, concurrent), pendant que le score d'attrition monte.
Et une fois le rythme connu, vous pouvez l'orienter plutôt que le subir : solliciter à 30 jours un client qui commande à 40 fait passer notre restaurant d'environ 9 à environ 12 commandes par an. Sur des centaines de comptes, c'est un levier de croissance sans un euro d'acquisition.
Par où commencer
Trois questions pour savoir si la méthode est faite pour vous. Vos clients repassent-ils commande plusieurs fois dans l'année ? Ce réachat est-il manuel plutôt qu'automatique ? Leur rythme est-il à peu près régulier ? Trois oui, et vous avez tout intérêt à sortir ces calculs de l'ombre.
La donnée est déjà dans votre HubSpot : il ne manque que les propriétés pour la faire parler et les bons déclencheurs pour la transformer en chiffre d'affaires. C'est exactement le type de chantier que nous mettons en place chez Lomed pour nos clients HubSpot, du calcul des propriétés jusqu'aux rapports de pilotage.