Votre CRM compte 100 000 contacts. Mais combien sont réellement utilisables ?
Vous avez investi dans un CRM, collecté des contacts, créé des intégrations et mis en place des campagnes. Pourtant, les résultats sont décevants. Les campagnes sont peu performantes, la personnalisation échoue et l'équipe Sales se plaint de l'inexactitude des données.
Cependant, le problème ne vient pas d'un manque de données. Il réside plutôt dans votre incapacité à évaluer la quantité de données réellement exploitables. Des études montrent qu'une mauvaise qualité des données (clients) coûte aux entreprises en moyenne 12,9 millions de dollars par an (Gartner, 2020). Les personnes changent d'emploi, les entreprises fusionnent et les adresses e-mail évoluent. Sans maintenance active, votre base de données perd donc un quart de sa valeur chaque année, simplement parce qu'elle n'est pas mise à jour.
Dans un précédent article, nous avons présenté le framework PPIT (Personnes, Processus, Information, Technologie), où l'Information représente le facteur qui freine souvent les projets d'automatisation. Cet article approfondit ce sujet : comment mesurer la qualité des données, comment les exploiter et quelle quantité de données est réellement utile pour atteindre vos objectifs ?
)
)
Données disponibles ou réellement exploitables ?
Il y a une différence fondamentale entre posséder des données et pouvoir les exploiter. Une fiche client contenant un nom et une adresse e-mail est disponible. Une fiche client avec une adresse e-mail valide, associée à la bonne entreprise, incluant un intitulé de poste complet, une source connue et une interaction récente, est exploitable. Cette distinction détermine si l'automatisation est possible ou non.
La qualité des données conditionne tout le reste. C'est une priorité absolue plutôt qu'un détail technique. Les organisations qui réussissent leur automatisation commencent par un inventaire honnête de leurs données existantes, plutôt que par la collecte de nouvelles données.
Pour déterminer si les données sont exploitables, il est utile d'appliquer six critères concrets :
Validité : l'adresse e-mail est-elle valide ?
Complétude : les champs essentiels sont-ils complets ?
Actualité : l’information est-elle suffisamment récente ?
Consistance : les champs sont-ils remplis de la même manière ?
Raccordement : cette fiche client peut-elle être liée à d'autres systèmes ?
Origine : savez-vous d’où provient cette fiche client ?
)
Que se passe-t-il si vous ne mesurez pas la qualité des données ?
Une entreprise internationale souhaitait implémenter une personnalisation basée sur ses données client enrichies dans BigQuery. Elle avait investi dans une plateforme de données moderne et était convaincue que son infrastructure technique était en place.
L'analyse a révélé une réalité bien différente. Le champ « Secteur d'activité », crucial pour la segmentation, était vide dans 34 % des enregistrements. Le champ « Taille de l'entreprise » comportait 847 valeurs uniques, incluant des variantes telles que « petite », « 1-10 », « <10 », « moins de 10 » et des entrées indésirables comme « oui ». Le taux de rebond des e-mails sur la base de données existante était de 23 %, ce qui signifie que près d'un quart des e-mails n'arriveraient pas à destination.
Avant toute automatisation, trois mois de nettoyage et de standardisation des données ont été nécessaires. Ce constat est révélateur, car un tel processus n'était pas prévu dans le plan de projet initial. De plus, il est rare qu'un budget soit alloué à cette étape. Or, sans cet investissement, toute automatisation reposant sur ces données serait fragile.
)
La réalité de l'automatisation à laquelle nous sommes de plus en plus confrontés
Malheureusement, l'exemple ci-dessus ne fait pas exception. Nous constatons que les mêmes schémas se répètent sans cesse. Voici quelques exemples :
Données inutilisables dans l'entrepôt. Les données sont présentes dans l'entrepôt, mais dans un format qui ne permet pas de les exploiter directement pour l'automatisation. Une équipe de données est nécessaire pour élaborer chaque requête. Le traitement en temps réel n'est pas possible.
Définitions qui varient selon les équipes. Qu’est-ce qu’un « client actif » ? Le marketing le définit comme une personne ayant ouvert un e-mail au cours des 90 derniers jours. L'équipe Sales, quant à elle, le définit comme une personne ayant effectué un achat au cours des 12 derniers mois. La finance, enfin, le définit comme une personne n’ayant aucune facture impayée de plus de 60 jours. Trois définitions, trois vérités. Pourtant, l’harmonisation entre les équipes fait souvent défaut.
Données historiques avec des structures de champ variables. Il y a deux ans, on parlait de « secteur d’activité », l’an dernier de « branche », et maintenant de « division ». Techniquement, il s’agit de trois champs, mais sémantiquement, d’un seul. Une requête portant sur cinq années de données ? Cela nécessite une cartographie qui n’a été documentée par personne.
Taux de match décevants. Les systèmes A et B sont intégrés, mais seulement 60 % des enregistrements concordent. Cela s'explique par exemple par des adresses e-mail incohérentes ou des noms d'entreprise souvent orthographiés différemment ou incorrectement.
)
Cinq étapes pour mesurer la qualité de vos données
L'amélioration de la qualité des données ne commence pas par un vaste projet de nettoyage. Une étape essentielle précède ce nettoyage : la mesure. Vient ensuite une approche réaliste pour la maintenance structurelle de la base de données. Vous trouverez ci-dessous un plan détaillé pour un projet de nettoyage.
Étape 1 : mesurez avant d'automatiser.
Effectuez un audit des champs essentiels à votre automatisation : validation des adresses e-mail, exhaustivité des champs, taux de doublons et date de dernière mise à jour. Cela vous permettra d’établir une base de référence et d’éviter les mauvaises surprises en cours de déploiement.
Étape 2 : nettoyez avant de construire.
Le nettoyage des données n'est pas passionnant, mais il constitue le socle de tout. Par exemple, il faut supprimer les doublons, valider les adresses e-mail et standardiser les valeurs des champs. Cela prend du temps, mais vous le rentabiliserez en automatisant efficacement les processus sur des données réellement exploitables.
Étape 3 : définissez et documentez les concepts clés.
Qu'est-ce qu'un lead ? Une opportunité ? Un client ? Définissez-le. Veillez à ce que tous les systèmes utilisent les mêmes définitions et mettez à jour la documentation en cas de modification. Cela peut paraître bureaucratique, mais vous éviterez ainsi la confusion liée à la coexistence de cinq versions différentes.
Étape 4 : Instaurez la gouvernance.
Qui est autorisé à créer des fiches client ? Qui est autorisé à modifier les champs ? Quels sont les champs obligatoires et les valeurs autorisées ? La gouvernance n’est pas une partie de plaisir, mais elle est indispensable. Sans gouvernance, les données se corrompent plus vite qu’on ne peut les nettoyer.
Étape 5 : Planifiez une maintenance continue.
Les données deviennent obsolètes car les employés changent de poste, les entreprises fusionnent et les adresses e-mail évoluent. Pour y remédier, planifiez une maintenance régulière. Pensez à supprimer les e-mails non distribués, à archiver les fiches client inactives et à vérifier la cohérence des champs. Considérez votre base de données comme un système vivant qui nécessite une attention et une maintenance constantes, et non comme un système figé.
)
Du volume à la valeur des données
Dans de nombreuses organisations, la question qui revient souvent est : « Comment intégrer davantage de données dans le système ? » Elles considèrent le volume comme une fin en soi. C’est un objectif relativement simple : il suffit d’ajouter des champs, de multiplier les intégrations ou de connecter plus de sources.
La question à se poser est plutôt : « Comment garantir l'exploitation de nos données disponibles ? » La qualité prime sur la quantité. Mieux vaut 100 000 fiches client propres qu’un million de fiches client inutilisables. Mieux vaut cinq champs correctement renseignés que cinquante champs vides ou incohérents.
Concrètement, cela signifie que la qualité des données doit être évaluée en continu. Identifiez les données nécessaires à l’automatisation et concentrez-vous sur celles-ci. Supprimez les champs inutilisés. Intégrez le nettoyage des données comme une activité continue et n’hésitez pas à supprimer les données inutiles.
La qualité des données n'est pas un défi IT, c'est un défi business
Les organisations qui réussissent à déployer l'automatisation ne considèrent pas la qualité des données comme un simple sous-produit technique, mais comme un impératif stratégique. Elles la mesurent, la définissent, la nettoient et la maintiennent, de façon continue et non ponctuelle.
Souhaiteriez-vous réfléchir ensemble à la qualité des données au sein de votre organisation ? N'hésitez pas à nous contacter. Nos experts sont prêts à vous aider.
)
Travaillez à la qualité de vos données
Vous souhaitez une approche complète de la qualité des données et de l'automatisation des processus business, incluant le framework PPIT et un bilan de préparation ? Téléchargez le white paper « CTRL+SHIFT : Les quatre facteurs de réussite ou d'échec de l'automatisation des processus business ».
Téléchargez le white paper