Le futur de la relation client passera par une donnée bien exploitée


Rédigé par Arnaud Bellamy, SpringFive le 12 Aout 2022

Aujourd'hui, la gestion de la donnée est trop souvent perçue comme un poste de dépenses optionnel, et donc reportable à plus tard, une fois que les problèmes deviennent impactants. Cela peut avoir de lourdes répercussions économiques : selon l'analyse Gartner 2020 sur les solutions de gestion de qualité des données, plus de 25 % des données critiques des plus grandes entreprises sont erronées, au point que le coût moyen d'une mauvaise qualité des données pourrait s'élever à 11 M€ par an pour les organisations. Pourtant, si elle est bien maîtrisée, via notamment l'analyse des comportements, elle permet d'améliorer significativement l'expérience client et la performance business, et constitue en cela un véritable gisement de valeur.



Arnaud Bellamy, Co-fondateur de SpringFive
L'art de la donnée

Le CRM est le composant clé de l'architecture permettant la mise en place de processus de gestion de la qualité de la donnée client. Pour les cas les plus complexes, avec notamment la présence de sources de données nombreuses et hétérogènes, on l'associe à un MDM. L'objectif étant de parvenir à avoir de la donnée unique, à jour, correctement formatée et la plus complète possible.
La non-qualité, qu'il s'agisse d'inexactitude ou d'erreurs dans les données, de non-conformité par rapport à la réglementation en vigueur peut conduire purement et simplement à la perte d'un client.
Elle est également responsable d'une baisse importante de la productivité si le processus de traitement informatique n'est pas optimal ou si les données enregistrées n'apportent aucun bénéfice. Pour exemple, Harvard Business Review estimait en 2017 qu'une tâche effectuée avec une donnée erronée engageait un coût 100 fois supérieur à celui d'une tâche réalisée à partir d'une donnée initialement vérifiée et correcte.

Une donnée de qualité révèle à quel point une entreprise connaît ses clients. Elle lui permet de les contacter, d'interagir avec eux et d'avoir une vision 360 de leur historique. C'est donc avant tout une donnée utile. Il ne s'agit pas de viser la perfection car cette approche peut paralyser la mise en place d'un processus de gestion de la qualité de données performant. Les données doivent s'adapter au business et non pas devenir une fin en soi. Il faut être également conscients que le système peut engendrer des difficultés et s'y préparer. En effet, toute règle de gestion a des effets secondaires potentiels, notamment à cause des risques de « faux positifs », typiquement fusionner deux doublons qui correspondent en réalité à deux clients distincts. L'enjeu est donc de savoir quels sont les risques qu'une entreprise est prête à tolérer par rapport aux bénéfices qu'elle en retirera. Il faut d'abord définir les priorités en analysant les points plus ou moins problématiques pour comprendre les leviers à activer. Par ailleurs, plus la démarche qualité sera intégrée aux habitudes des opérationnels, moins les risques liés aux traitements a posteriori seront importants. Aussi, leur sensibilisation comme leur formation sont des facteurs essentiels à une gestion des données réussie.

Clé de voûte du marketing prédictif

Grâce aux données comportementales, il est aujourd'hui possible d'anticiper les comportements d'achat, les besoins et les appétences du client, tout comme les tendances de vente : c'est le marketing prédictif. Mais pour qu'il y ait marketing prédictif, il est important de commencer par se constituer un socle mémoriel pertinent en mettant en œuvre une stratégie de collecte et de consolidation des données comportementales (par exemple les types d'achats ou les pages consultées relatives à une marque). Injecter ces informations dans des outils aujourd'hui plus facilement accessibles, car ils se sont peu à peu démocratisés en particulier grâce à l'IA, permet de générer les prédictions. Salesforce porte auprès de ses clients la conviction qu'ils peuvent faire du marketing prédictif sans nécessairement faire appel aux compétences d'un data scientist, dès lors qu'ils sont équipés des outils en adéquation avec l'environnement de leur CRM.

Cependant, pour que la démarche soit efficace, les données exploitables doivent être suffisamment exhaustives. Ainsi, le consommateur qui aime être aiguillé et au courant des dernières nouveautés d'une marque appréciera que ses attentes soient ciblées avec précision. De son côté, l'entreprise bénéficiera d'un éventail de services supplémentaires à proposer à ses clients. À titre d'exemple, une banque ou une assurance sera en mesure de prédire les besoins d'une famille et de lui présenter en amont un panel de solutions dont elle peut avoir besoin (ouverture de compte, contrat d'assurance…). L'entreprise pourra également prévenir la perte de clientèle et effectuer des actions de ré-engagement.



Dans la même rubrique :