Comment Potbelly utilise l'IA pour détecter les clients mécontents, rattraper les mauvaises expériences et stimuler la fidélisation
Partenaire Momos depuis :
Emplacements :
456
Intégrations :
PDV (transactions de fidélité), Sondages Momos, Boîte de réception Momos
Résultat clé avec Momos
Sujets | Indicateurs clés de performance (KPI) |
|---|---|
Récupération de la fidélité déclenchée par l'IA | Les clients identifiés comme insatisfaits et à qui l'on a proposé une récupération par points de fidélité ont enregistré une hausse de +13,5 points de pourcentage du taux de retour à 30 jours par rapport aux clients qui n'ont bénéficié d'aucune récupération. |
Récupération automatisée à grande échelle | Momos a détecté de 400 à 600 commentaires négatifs exploitables pour la fidélisation par semaine, 50 à 60 % de l'ensemble des commentaires déclenchant des actions de récupération. |
Taux de retour plus élevés après récupération | Les clients ayant laissé un commentaire négatif et ayant reçu des points de fidélité sont revenus à un taux de retour à 30 jours de 73 à 80 %, ce qui représente une amélioration relative d'environ 20 à 30 %. |
Combler l'écart d'engagement | La récupération assistée par l'IA a permis de combler l'écart entre les clients insatisfaits, qui effectuent généralement de 2,4 à 2,5 visites par période de 30 jours, et les clients fidèles de référence, qui effectuent de 4,4 à 4,6 visites par période de 30 jours. |
Arrière-plan
Potbelly est une chaîne de sandwicheries d'envergure nationale dotée d'une clientèle fidèle et d'un programme de fidélité bien établi. Traitant des milliers de transactions quotidiennes et un volume élevé d'interactions avec les clients dans ses succursales, Potbelly disposait de l'infrastructure nécessaire pour recueillir les commentaires, mais il lui manquait un moyen de boucler la boucle avec précision.
En 2024, Potbelly possédait les données requises pour savoir quand les clients étaient mécontents, mais pas le système pour les reconquérir. Les sondages et les incidents permettaient de cerner les expériences négatives, et des points de fidélité pouvaient être attribués manuellement, mais le parcours menant des commentaires à la récupération des clients était fragmenté. Il n'existait aucun moyen automatisé de détecter un client à risque, de déclencher la bonne mesure de récupération et de transformer une mauvaise expérience en une raison d'y retourner.
Potbelly n'avait pas seulement besoin d'un moyen de s'excuser auprès des clients mécontents. L'entreprise avait besoin d'un système capable de les détecter, de les récupérer et de prouver que cette récupération se traduisait par de la fidélisation.
Le défi
Les commentaires et la récupération existaient dans des systèmes distincts
Potbelly manquait d'un système de récupération en boucle fermée. Les commentaires des clients révélaient qui était insatisfait, mais cela n'était pas lié aux efforts de récupération ou au comportement de retour. Il était donc presque impossible de prouver si Potbelly favorisait la fidélisation.
Aucun moyen de savoir si les clients récupérés revenaient
Sans lien direct entre les commentaires des clients et les achats en magasin, l'équipe n'avait aucun moyen fiable de confirmer si un client récupéré était réellement revenu. Les données existaient, mais le cadre pour les connecter n'existait pas.
Des clients désengagés qui restaient sans réponse
Les clients qui ont soumis des commentaires négatifs ont visité environ deux fois moins souvent que les membres fidèles satisfaits. Ce n'était pas un hasard. Il s'agissait d'un écart d'engagement structurel et constant qui restait ouvert chaque semaine.
Des actions de récupération sans preuve d'impact
Les points de fidélité étaient attribués de manière réactive, sans aucune mesure pour confirmer qu'ils modifiaient le comportement. L'équipe avait besoin de preuves que la récupération se traduisait par des visites de retour — et pas seulement par des tickets résolus.
Le point tournant
Potbelly s'est associé à Momos pour concevoir un moteur de récupération structuré, alimenté par l'IA, s'intégrant à son infrastructure de fidélisation existante — reliant ainsi les commentaires à la récupération et assurant le suivi des résultats.
La boîte de réception Momos comme centre de récupération : Tous les commentaires des clients — sondages et cas d'assistance — étaient acheminés via Momos. À partir de là, de 50 à 60 % des envois étaient signalés comme admissibles à la récupération, générant entre 400 et 600 points d'action par semaine.
Relier les commentaires aux retours : Momos a jeté les bases de données d'un moteur de récupération alimenté par l'IA. Les commentaires soumis ont été associés aux profils des clients, aux actions de fidélisation et aux transactions post-commentaires, créant ainsi un pipeline mesurable allant du signal d'un client insatisfait à l'action de récupération, puis à la visite de retour.
Intelligence de récupération : Momos a transformé la récupération des clients en un programme de fidélisation mesurable. Au lieu de simplement attribuer des points en espérant que les clients reviennent, Potbelly pouvait désormais voir si les mesures de récupération généraient des visites supplémentaires — et quantifier l'impact commercial de la reconquête des clients insatisfaits.
Récupération cohérente basée sur les points à grande échelle : En acheminant tous les cas négatifs et les réponses aux sondages via Momos, Potbelly est passé d'un processus de récupération manuel et incohérent à un moteur reproductible qui touchait des centaines de clients à risque chaque semaine.
Les résultats
Indicateur | Impact |
|---|---|
Hausse moyenne du taux de retour sur 30 jours de +13,5 points de pourcentage | Les clients ayant reçu des points de fidélité à la suite de commentaires négatifs sont revenus dans une proportion de 73 à 80 % |
50 à 60 % des commentaires se prêtent à des mesures de fidélisation | Sur 650 à 1 000 commentaires soumis chaque semaine, 400 à 600 sont admissibles à une mesure de récupération, ce qui procure à Potbelly un bassin de récupération constant et volumineux chaque semaine |
Mise en évidence d'un écart structurel en matière d'engagement | Les utilisateurs ayant formulé des commentaires négatifs effectuent environ deux fois moins de visites que les utilisateurs de référence du programme de fidélisation. |
La récupération par les points se maintient au fil des mois | De novembre à décembre, le taux de retour des clients ayant reçu des points a progressé de manière constante, ce qui prouve que cet effet est durable et qu'il ne s'agit pas d'une anomalie mensuelle isolée |
Pourquoi ça fonctionne
La récupération ne fonctionne que si elle est mesurable.
Potbelly avait déjà un programme de fidélité. Ce qui manquait, c'était la preuve que les points modifiaient le comportement. Momos a conçu le cadre de mesure qui a relié l'action au résultat — et les données ont confirmé que cela fonctionne.
Les clients mécontents ne sont pas perdus, ils sont simplement sous-servis.
Les clients ayant soumis des commentaires négatifs ont tout de même visité l'établissement de 2,4 à 2,5 fois par mois. Ils n'avaient pas abandonné. Une action de fidélisation ciblée au bon moment suffit à combler le fossé entre un client désengagé et un client qui revient.
Le volume compte.
Avec 400 à 600 commentaires exploitables pour fidélisation par semaine, Potbelly ne gère pas un programme de récupération pour les cas marginaux. L'entreprise gère un moteur de rétention systématique qui touche des centaines de clients à risque chaque semaine.
La correction du pipeline allant du commentaire à l'action génère des rendements cumulatifs.
Lorsque les actions de récupération sont cohérentes et rapides, les taux de retour s'améliorent de mois en mois, et pas seulement lors d'incidents isolés.
Conclusion
Potbelly n'avait pas besoin de réinventer son programme de fidélité. L'entreprise devait plutôt connecter l'infrastructure de fidélisation qu'elle possédait déjà aux signaux de rétroaction des clients qu'elle recueillait déjà grâce à l'IA.
Avec Momos, Potbelly a transformé ce processus fragmenté en un moteur de récupération en boucle fermée : détecter automatiquement les clients insatisfaits, déclencher la bonne action de fidélisation grâce à l'IA et mesurer quand ces invités reviennent.
L'impact a été évident. Les clients qui ont reçu des points de fidélité après une expérience négative sont revenus à un taux supérieur de 30 % . À raison de 400 à 600 événements de rétroaction admissibles à une récupération par semaine, cette augmentation s'accumule rapidement.
Pour les marques multi-succursales, l'opportunité de fidélisation se trouve déjà au sein de leurs propres données. Le prochain avantage ne consiste pas seulement à recueillir plus de commentaires. Il s'agit d'utiliser l'IA pour identifier les clients les plus à risque, les récupérer sur-le-champ et transformer une mauvaise expérience en une raison de revenir.
![](data:image/svg+xml,<svg display="block" role="presentation" viewBox="0 0 183 100" xmlns="http://www.w3.org/2000/svg"><path d="M 152.452 37.349 C 136.442 20.842 115.98 6.325 93.049 1.892 C 86.081 0.534 76.773 0.163 71.407 5.736 C 64.565 13.035 70.499 30.487 81.481 29.6 C 87.433 29.072 89.698 22.162 87.042 17.439 C 85.631 14.617 83.027 12.629 80.168 11.079 C 56.02 -2.764 23.38 -4.862 0 11.844" fill="transparent" height="37.34868528749147px" id="rGpqSnR8J" stroke-dasharray="" stroke-linecap="round" stroke-linejoin="round" stroke-width="4.97" stroke="rgb(0, 0, 0)" transform="translate(3.219 19.212)" width="152.45224485148515px"/><path d="M 0 11.619 C 7.071 11.39 33.491 21.738 40.35 21.268 C 38.499 18.19 37.116 14.915 35.507 11.625 C 33.7 7.867 32.587 3.926 31.702 0" fill="transparent" height="21.28391189647101px" id="I9fuJaf7q" stroke-dasharray="" stroke-linecap="round" stroke-linejoin="round" stroke-width="4.97" stroke="rgb(0, 0, 0)" transform="translate(139.727 55.754)" width="40.34950693069311px"/></svg>)
