Modèle de Prévision SaaS : MRR en 3 Entrées

La plupart des modèles de prévision SaaS échouent parce qu’ils essaient de résoudre trop de choses. Les fondateurs ouvrent un tableur et commencent à ajouter des hypothèses d’acquisition, des taux de conversion, des splits par canal, du churn par cohorte, de l’expansion par palier de plan, l’impact du recrutement sur la capacité, et de la sensibilité au prix. Chaque entrée semble utile. Ensemble, elles produisent un modèle techniquement complet et pratiquement inutile — trop de variables pour être fiable, trop complexe pour être mis à jour, et trop optimiste parce que chaque hypothèse individuelle était légèrement trop généreuse.

Le modèle de prévision à 3 entrées part d’un postulat différent : un fondateur qui veut savoir à quoi le MRR du mois prochain va ressembler n’a pas besoin d’un modèle qui prédit tout. Il a besoin d’un modèle qui capture les trois mouvements qui font réellement bouger le revenu récurrent.

Qu’est-ce qu’un modèle de prévision SaaS ?

Un modèle de prévision SaaS est une façon répétable d’estimer comment le revenu récurrent va changer sur la prochaine période en se basant sur un petit nombre d’hypothèses honnêtes. Ce n’est pas une prédiction — aucun forecast ne l’est. C’est une estimation structurée qui donne au fondateur un chiffre concret contre lequel confronter le business, plus une fourchette de scénarios qui montre à quel point ce chiffre est sensible aux hypothèses les plus susceptibles d’être fausses.

La distinction plus étroite le sépare d’un modèle financier SaaS complet : un modèle de prévision se concentre sur le mouvement du MRR, tandis qu’un modèle financier couvre aussi les coûts, la trésorerie et le runway. Pour la plupart des fondateurs, le modèle de prévision est la première couche et la plus fréquemment utilisée — mis à jour mensuellement pour produire le MRR de fin attendu, puis comparé aux réels pour calibrer les hypothèses. Les recommandations financières de Y Combinator pour les startups font un point similaire : commence avec le modèle le plus simple qui répond à la question opérationnelle, et gagne en complexité seulement quand le business l’exige.

Pour le modèle plus large qui inclut les coûts et le runway, voir Modèle financier SaaS : Le tableau minimal qui prédit le runway.

Chaque forecast a besoin d’un MRR propre comme point de départ. Obtiens le tien depuis Stripe en 90 secondes →

Les 3 entrées qui suffisent

Les trois mouvements qui expliquent presque tout le changement de MRR dans un produit SaaS early-stage :

Entrée 1 : Nouveau MRR. Le revenu récurrent attendu des clients qui ne paient pas actuellement. C’est la contribution acquisition — combien de revenu récurrent frais va probablement atterrir depuis de nouveaux clients payants cette période. Utilise les moyennes mensuelles récentes comme point de départ ; ne modélise pas des taux de conversion héroïques.

Entrée 2 : Expansion MRR. Le revenu récurrent additionnel attendu des clients existants qui upgradent ou augmentent leur usage. Ça peut être zéro s’il n’y a pas encore de parcours d’upgrade — mais ça ne devrait pas être omis du modèle, parce que supposer que c’est nul rend le forecast moins précis dès qu’un comportement d’upgrade existe.

Entrée 3 : MRR churné. Le revenu récurrent attendu perdu. C’est l’entrée la plus couramment sous-estimée — les fondateurs tendent à appliquer le taux de churn du mois dernier de façon optimiste ou supposent que « ce mois-ci sera mieux ». Utilise les moyennes récentes ; dans le scénario pessimiste, utilise les moyennes récentes multipliées par 1,2–1,3 pour tester la sensibilité.

La formule centrale

MRR du mois prochain = MRR actuel + Nouveau MRR + Expansion MRR − MRR churné

C’est le modèle complet. Ajouter la contraction MRR comme quatrième entrée vaut le coup une fois que le business a une activité de downgrade mesurable — mais pour la plupart des SaaS early-stage, le churn englobe l’essentiel de la fuite et la version à trois entrées est assez précise.

Pour les définitions propres de ce qui appartient au MRR, voir Qu’est-ce que le MRR ? La version claire.

Pourquoi le modèle à 3 entrées fonctionne

Plus de détails dans un modèle de prévision ne produit pas plus de précision — ça produit plus d’endroits où l’optimisme peut se cacher. Un modèle à 30 entrées où chaque entrée est 5 % trop optimiste produit un forecast systématiquement faux dans la même direction à chaque fois, sans moyen évident d’identifier où l’erreur est entrée.

Le modèle à 3 entrées a trois endroits où les hypothèses peuvent être vérifiées et calibrées contre les réels. Quand le forecast rate, c’est immédiatement clair si le nouveau MRR a été surestimé, le MRR churné sous-estimé, ou l’expansion absente. Ce diagnostic est ce qui fait que le modèle s’améliore avec le temps.

Ce modèle capture aussi correctement la structure du problème : la capacité du fondateur à influencer le MRR est concentrée exactement dans ces trois mouvements — trouver de nouveaux clients, créer des parcours d’upgrade, et retenir les clients existants. Un modèle à 30 entrées disperse l’attention du fondateur sur des dimensions qu’il a une capacité limitée à changer à court terme. Le modèle à 3 entrées la concentre. Le rapport State of the Cloud de Bessemer montre systématiquement que les entreprises SaaS les plus performantes optimisent autour d’un petit nombre de leviers opérationnels — taux d’acquisition, expansion et churn — plutôt que d’essayer de gérer des dizaines de variables simultanément.

Un exemple travaillé : prévoir le MRR avec 3 entrées

Un produit d’analytics SaaS au mois quatre. État actuel :

MRR actuel : €10 000

Entrées du forecast pour le mois prochain :

Nouveau MRR : €1 500
Expansion MRR : €600
MRR churné : €500

Cas de base :

MRR du mois prochain = 10 000 + 1 500 + 600 − 500 = 11 600

MRR de fin prévu : €11 600

Le forecast est complet. Maintenant le travail utile commence : vérifier les hypothèses.

Ces entrées sont-elles honnêtes ?

Nouveau MRR de €1 500 — est-ce basé sur les taux de conversion récents appliqués au pipeline actuel ? Ou est-ce un chiffre rond qui semblait juste ? Si les trois derniers mois de nouveau MRR étaient €1 200, €1 100 et €1 300, alors €1 500 est optimiste. Une estimation plus conservative utilise la moyenne récente : €1 200.

Expansion MRR de €600 — l’expansion a-t-elle été consistante à ce niveau, ou est-elle variable ? Si l’expansion était €800 le mois dernier et €200 le mois d’avant, utiliser €600 comme estimation est peut-être raisonnable mais mérite examen.

MRR churné de €500 — est-ce séparé en volontaire et paiement échoué ? Le churn par paiement échoué est partiellement récupérable avec une séquence de dunning ; le churn volontaire demande du travail produit. Si les mois récents montrent €200–250 de churn par paiement échoué, une séquence de dunning bien implémentée pourrait réduire le MRR churné réalisé. Le forecast devrait refléter un churn atteignable, pas aspirationnel.

Trois scénarios avec la même formule

La valeur du modèle à 3 entrées se multiplie quand il est exécuté sur trois scénarios plutôt qu’un seul. La structure de scénarios est simple : change les trois entrées pour refléter différentes réalités opérationnelles, calcule le MRR de fin pour chaque, et compare l’écart.

Cas de base — hypothèses opérationnelles actuelles :

Nouveau MRR : €1 500 · Expansion : €600 · Churné : €500
Forecast : €10 000 + 1 500 + 600 − 500 = €11 600

Cas optimiste — acquisition légèrement meilleure, meilleure rétention :

Nouveau MRR : €1 800 · Expansion : €700 · Churné : €450
Forecast : €10 000 + 1 800 + 700 − 450 = €12 050

Cas pessimiste — croissance plus lente, churn plus élevé :

Nouveau MRR : €1 200 · Expansion : €500 · Churné : €700
Forecast : €10 000 + 1 200 + 500 − 700 = €11 000

Tableau comparatif :

Scénario	Nouveau MRR	Expansion	Churné	MRR de fin	Écart vs Base
Base	1 500	600	500	11 600	—
Optimiste	1 800	700	450	12 050	+450
Pessimiste	1 200	500	700	11 000	−600

L’écart entre base et pessimiste est de €600 en MRR de fin — soit €7 200 annualisé. C’est le risque opérationnel auquel le fondateur devrait penser, pas le joli chiffre du milieu.

Pour la méthodologie complète de stress-test par scénarios, voir Modélisation de scénarios pour bootstrappers : Test de stress en 15 minutes.

L’habitude de prévision qui rend le modèle utile

Un modèle de prévision créé une fois et jamais comparé aux réels n’est qu’une opinion formatée. Le modèle devient utile par la répétition :

Avant le mois : définis les trois entrées pour la période en te basant sur les tendances récentes et les attentes actuelles. Produis un forecast base, optimiste et pessimiste.

Pendant le mois : suis le nouveau MRR, l’expansion et le churn au fur et à mesure qu’ils se matérialisent. NoNoiseMetrics les affiche en temps réel depuis Stripe — aucun suivi manuel requis.

Après le mois : compare le forecast aux réels. Si le forecast s’est trompé, identifie quelle entrée était fausse et de combien. Ajuste la méthodologie de l’hypothèse (pas juste le chiffre) pour le mois suivant.

Cette boucle — prévoir, suivre, comparer, calibrer — est ce qui fait qu’un modèle à 3 entrées produit des estimations progressivement meilleures. Le premier forecast sera imprécis. Le sixième ou septième sera calibré sur la façon dont ce business spécifique se comporte réellement.

Pour la couche de comparaison, voir Budget vs Réel : La boucle hebdomadaire qui maintient les fondateurs en vie. Les données du SaaS Survey de KeyBanc Capital Markets montrent que les fondateurs qui suivent le forecast vs réels mensuellement prennent des décisions d’allocation de capital matériellement meilleures que ceux qui révisent annuellement.

Erreurs courantes du modèle de prévision SaaS

Trop d’entrées. Chaque entrée supplémentaire est un endroit de plus où l’optimisme peut se cacher. Les fondateurs qui construisent des modèles de prévision à 15 entrées ont rarement les données pour peupler 15 entrées honnêtement — la plupart des entrées sont des suppositions qui se composent en une sortie structurellement optimiste. Trois entrées honnêtes battent quinze suppositions.

Ancrer le nouveau MRR sur les aspirations plutôt que les réels. L’estimation la plus fiable du nouveau MRR du mois prochain est une moyenne légèrement ajustée des mois récents. Les fondateurs qui prévoient le nouveau MRR en se basant sur le potentiel — « on a cinq bons leads » — surestiment systématiquement cette entrée. Utilise les réels comme ancre ; ajuste à la hausse seulement quand un changement spécifique et concret dans l’activité d’acquisition le justifie.

Ignorer l’expansion MRR. Une simplification courante qui réduit la précision du modèle à mesure que le business mûrit. Si le produit a un parcours d’upgrade et que les clients l’utilisent, l’expansion MRR contribue matériellement à la croissance MRR mois après mois. L’omettre fait sous-estimer le MRR dans les bons mois et fait paraître le nouveau MRR plus important qu’il ne l’est.

Sous-estimer le MRR churné. L’erreur la plus répandue. Les fondateurs appliquent le churn réel du mois dernier — qui était souvent un bon mois — plutôt qu’une moyenne réfléchie. Le scénario pessimiste existe spécifiquement pour tester cette hypothèse sous pression. Que se passe-t-il si le churn est 40 % plus élevé qu’attendu ? Cette réponse devrait informer le niveau de runway véritablement confortable, pas le joli cas de base.

Pas de comparaison aux réels. Un forecast jamais confronté à ce qui s’est réellement passé ne peut pas s’améliorer. C’est l’étape critique que la plupart des fondateurs sautent, souvent parce que la comparaison révèle que les hypothèses étaient fausses — ce qui est inconfortable mais nécessaire.

Quand ajouter une 4e entrée : la contraction MRR

La contraction MRR (revenu récurrent perdu par downgrade, sans annulation complète) vaut la peine d’être ajoutée comme quatrième entrée une fois qu’elle devient une part mesurable et matérielle du business. En SaaS early-stage où la plupart des clients sont sur des paliers fixes, la contraction est souvent proche de zéro et peut être intégrée conceptuellement au MRR churné.

Le signal que la contraction mérite sa propre ligne : si des événements de downgrade apparaissent de façon consistante dans les données Stripe — des clients passant de Growth à Starter, ou réduisant le nombre de sièges — et que l’impact agrégé est supérieur à 5–10 % du MRR churné, suis-le séparément. L’intervention pour la contraction (structure de prix, clarté du packaging, friction au downgrade) est différente de l’intervention pour l’annulation complète, et le modèle devrait refléter cette différence.

Modèle de prévision de revenu SaaS : la version automatisée

Un outil utile de prévision de revenu ne nécessite pas de travail manuel sur tableur. La version automatisée minimale :

Tire le MRR actuel depuis une source de facturation fiable (événements d’abonnement Stripe)
Affiche les trois entrées historiques — moyenne récente du nouveau MRR, moyenne récente de l’expansion, moyenne récente du MRR churné — comme valeurs par défaut
Laisse le fondateur ajuster chaque entrée et basculer entre les scénarios
Affiche le MRR de fin prévu pour chaque scénario côte à côte
Après la clôture du mois, compare le forecast aux réels et affiche le delta par entrée

NoNoiseMetrics construit ça dans le cadre du forecaster de runway — un outil léger qui produit un forecast à 3 entrées depuis les données Stripe en live, sans travail sur tableur ni peuplement manuel des entrées.

Modèle JSON pour un forecast SaaS à 3 entrées

{
  "saas_forecast_model": {
    "period": "2026-05",
    "currency": "EUR",
    "current_mrr": 10000,
    "inputs": {
      "new_mrr": 1500,
      "expansion_mrr": 600,
      "churned_mrr": 500
    },
    "formula": "current_mrr + new_mrr + expansion_mrr - churned_mrr",
    "forecast_ending_mrr": 11600
  },
  "scenarios": {
    "base": {
      "new_mrr": 1500,
      "expansion_mrr": 600,
      "churned_mrr": 500,
      "ending_mrr": 11600
    },
    "upside": {
      "new_mrr": 1800,
      "expansion_mrr": 700,
      "churned_mrr": 450,
      "ending_mrr": 12050
    },
    "downside": {
      "new_mrr": 1200,
      "expansion_mrr": 500,
      "churned_mrr": 700,
      "ending_mrr": 11000
    }
  },
  "forecast_habit": {
    "before_month": "Définir les 3 entrées depuis les moyennes récentes",
    "during_month": "Suivre les réels depuis la facturation",
    "after_month": "Comparer forecast vs réel ; calibrer les hypothèses"
  }
}

FAQ

Qu’est-ce qu’un modèle de prévision SaaS ?

Un modèle de prévision SaaS est une façon répétable d’estimer comment le revenu récurrent va changer sur la prochaine période en se basant sur un petit nombre d’hypothèses explicites. La version minimale utilise trois entrées — nouveau MRR, expansion MRR et MRR churné — pour prévoir le MRR de fin du mois prochain depuis la base actuelle.

Comment prévoir le MRR pour un SaaS ?

La formule est : MRR du mois prochain = MRR actuel + Nouveau MRR + Expansion MRR − MRR churné. Utilise les moyennes mensuelles récentes comme base pour chaque entrée plutôt que des objectifs aspirationnels. Exécute le forecast sur trois scénarios (base, optimiste, pessimiste) pour comprendre la fourchette des résultats réalistes.

Quelles entrées comptent le plus dans un modèle de prévision SaaS ?

Le nouveau MRR (contribution acquisition), l’expansion MRR (contribution upgrade), et le MRR churné (fuite). Le MRR churné est typiquement l’entrée la plus conséquente parce que c’est la plus couramment sous-estimée. Pour la plupart des produits SaaS early-stage, ces trois entrées expliquent la grande majorité du changement de MRR mois après mois.

Quel niveau de détail doit avoir un modèle de prévision SaaS ?

Seulement le niveau de détail que la qualité des données disponibles peut supporter. Trois entrées, honnêtement peuplées depuis les réels récents, produisent des forecasts plus fiables que quinze entrées peuplées avec des estimations. La complexité devrait être gagnée par des besoins business spécifiques, pas appliquée pour créer une impression de sophistication.

Quelle est la différence entre un modèle de prévision SaaS et un modèle financier SaaS ?

Un modèle de prévision SaaS se concentre sur la projection du mouvement du revenu récurrent — nouveau MRR, expansion, churn et MRR de fin. Un modèle financier SaaS est plus large et inclut les coûts, le burn, la trésorerie et le runway. La plupart des fondateurs devraient commencer par le modèle de prévision (léger, mis à jour mensuellement) et l’intégrer dans un modèle financier quand le suivi des coûts et du runway devient matériel pour les décisions.

Quelle est la précision d’un modèle de prévision SaaS à 3 entrées ?

La précision dépend de la qualité et de l’honnêteté des trois entrées, pas du nombre d’entrées. Un modèle à 3 entrées calibré contre six mois de réels surpasse typiquement un modèle à 30 entrées peuplé avec des estimations de premier jet. Le modèle devient plus précis grâce à la boucle mensuelle de comparaison forecast vs réel, pas en ajoutant plus d’entrées.

Quelle est la différence entre un modèle de prévision de revenu SaaS et un modèle de revenu SaaS ?

Un modèle de prévision de revenu SaaS projette le mouvement futur du MRR en se basant sur des hypothèses explicites. Un modèle de revenu SaaS peut désigner la structure plus large de prix et monétisation — le modèle qui détermine comment le produit facture les clients. Les deux sont utiles ; ils répondent à des questions différentes.

Faire des prévisions depuis un MRR sale, c’est faire des prévisions fausses. Commence avec des chiffres fiables →