La transformation digitale des entreprises et les changements des comportements des consommateurs ont mis les entreprises dans un besoin d’adaptation constant. Pour répondre aux nouvelles attentes de leurs cibles, les organisations placent l’expérience client au centre de leurs priorités. Aujourd’hui, cette expérience passe par la connaissance client, et cette connaissance client passe… par la data, grâce à la collecte de nombreuses informations (parcours d’achat, coordonnées, centres d’intérêt…). Or, à l’heure où la volumétrie des datas explose et que les moyens de collecte se multiplient, difficile de disposer de données de qualité, pourtant essentielles pour éviter les erreurs et les mauvais choix stratégiques.
La collecte des données : étape primordiale
Les raisons de la mauvaise qualité des datas sont multiples : erreur de saisie, champs laissé vide, erreurs de devises ou d’échelles, champs obligatoires remplis volontairement par de la donnée fausse par manque de temps. Toutes ces erreurs, souvent dues à des processus et outils non adaptés, auront un impact direct sur la qualité des données et sur les chaînes de valeur de l’entreprise : du marketing à la logistique.
Il est aujourd’hui indispensable de sensibiliser les différents métiers à l’importance de la collecte des données. Bien souvent, les métiers ne se rendent pas compte de l’impact de leurs actions sur les autres processus. Pour remédier à ce problème, il est nécessaire de leur faire comprendre l’importance de la data dans toute leur chaîne de valeur : proposer une offre personnalisée aux clients, améliorer l’expérience client, communiquer auprès de sa cible au bon endroit et au bon moment…
Le phénomène Data Pucking
Le Data Pucking peut se définir comme la profusion ou le “débordement” de données au sein des entreprises. C’est un phénomène de plus en plus courant aujourd’hui. En effet, les organisations collectent de plus en plus de datas à travers différents canaux (réseaux sociaux, dans les magasins, sur Internet, sources externes telles que l’INSEE…), il est donc tentant de vouloir toutes les exploiter.
On pense souvent, à tort, qu’il faut utiliser le maximum d’informations à notre disposition pour ne passer à côté d’aucune opportunité. Au contraire, il est judicieux de se concentrer sur la data utile, celle qui aura un réel intérêt pour améliorer la connaissance client et créer de la valeur. On dit souvent que disposer de trop d’indicateurs signifie que l’entreprise n’a pas de stratégie établie. Le sondage Veritas Global Databerg Survey 2016 montre que seules 25% des données d’un SI est réellement utile pour l’activité de l’entreprise. Se concentrer sur les 75% de datas inutiles est donc synonyme de travail chronophage et de perte d’énergie pour vos équipes. Il est donc important de mettre l’accent sur les données qui apporteront quelque chose à l’entreprise et qui auront un réel intérêt pour proposer une expérience client différenciante. D’autant que le fameux RGPD entré en application le 25 mai 2018 exige des entreprises qu’elles ne collectent que la donnée utile (et doivent donc prouver cette utilité).
La multiplicité des sources de données
Les données peuvent aujourd’hui être collectées par différents services au sein des entreprises : achats, marketing, communication, retail… De plus, les sources de datas se sont multipliées : réseaux sociaux, comportements des utilisateurs sur Internet, parcours d’achat en magasin, service après-vente, base de données externes (INSEE)… Toutes ces sources sont de véritables mines d’or pour la connaissance client, à condition de pouvoir les exploiter.
Or, ici se trouve toute la complexité de la tâche. En effet, il arrive bien souvent que les données ne vous soient pas accessibles, soit car vous ne possédez pas toutes les connaissances et compétences pour les utiliser, soit car ce sont des données brutes, non exploitables en l’état. Difficile aujourd’hui pour un profil qui n’est pas technique, de retracer tout le parcours d’achat d’un consommateur sur Internet. Difficile également d’utiliser des données brutes, non traitées. La qualité des données passe donc non seulement par la fiabilité de la data obtenue en sensibilisant les équipes, mais également par son accessibilité et sa faculté d’exploitation.
