La Data Science au service du ré-enchantement Client

Aujourd’hui, les clients ont de plus en plus de choix (mondialisation/multicanaux/…) et même un pouvoir de nuisance beaucoup plus fort grâce aux réseaux sociaux. Selon une étude, les avis d’autres clients comptent 9 fois plus que les arguments de la marque sur le produit. La satisfaction client, et plus généralement l’expérience client, devient un enjeu plus important.

Pour proposer la meilleure expérience client possible les entreprises peuvent s’appuyer sur la donnée clients. C’est l’enrichissement de la connaissance Clients qui permettra le ré-enchantement de la Relation.

Les clients nous laissent de plus en plus de données, parfois même sans le savoir.  Et ces données deviennent si volumineuses qu’il n’est plus possible, par les capacités humaines d’analyses et les outils informatiques classiques, d’explorer l’information. L’explosion quantitative de la donnée nous contraint à utiliser de nouvelles méthodes d’analyse : la DATA SCIENCE.

Comment enrichir la connaissance client ?

La valeur de la donnée cliente est immense. Elle permet de comprendre et répondre aux besoins des clients dans le but de réussir à les satisfaire.

Si on repart de la définition, la connaissance client représente l’ensemble des données collectées par une entreprise concernant ses clients. Ces données peuvent être de plusieurs natures :

• Feedback client: Il s’agit de tout type de retour que le client peut donner sur votre service, votre équipe et votre produit. Le consommateur peut laisser des avis en ligne, sur les réseaux sociaux, ou en personne auprès de vos équipes de vente (vendeurs/conseillers).
• Transactions clientes: On parle ici de l’historique d’achats, la date et le lieu d’achat, le montant dépensé, les retours, etc.
• Comportements des clients: Les données comportementales reflètent les activités des clients autres que les transactions. Par exemple, une simple visite en magasin, la navigation web, l’utilisation de l’application mobile, l’abandon de panier… font partie des données comportementales.
• Données socio-démographiques: Ces données nous informent sur l’âge, le sexe, l’adresse, la catégorie socio-professionnelle, etc., de votre client.

L’objectif est de récolter ces données et de les stocker en base. Il existe de nombreuses méthodes et outils qui permettent la récolte de l’information :

• Récolter les informations auprès de vos équipes de vente qui sont, au quotidien, au contact des visiteurs de vos magasin et qui sont en mesure de connaître précisément les besoins, les envies, et les types de produits vendus
• Utiliser le programme de fidélité pour distinguer les meilleurs clients et récolter des informations de qualité, notamment sur les transactions
• Proposer du contenu à télécharger en ligne (sur votre site internet) en échange d’informations
• Réaliser des sondages et des enquêtes de satisfaction

Toutefois, avoir ces données dans votre système d’information ne suffit pas ! Il faut savoir exploiter cette masse de données pour donner de la valeur à celle-ci ! Et plus précisément, il faut utiliser la data pour personnaliser les produits. C’est à ce stade qu’intervient la Data Science.

Trending

SCIM : un standard de l’approvisionnement d’identités

Qu’est-ce la Data Science, que va-t-elle nous apporter ? Et comment la mettre au service de la Satisfaction Client ?

Commençons par définir la science des données, Data science en anglais. C’est un ensemble de méthodes d’analyses de données de masse qui s’appuie sur la fouille de données, les statistiques, le traitement du signal, l’apprentissage automatique et la visualisation des données. Ce terme a été inventé en 2001 dans un article écrit par William Cleveland, peu après l’apparition du terme Big Data (données massives) en 1998. En effet, la data science répond à la complexité et au volume en croissance des données dans l’objectif de générer une valeur pour les entreprises.

La Data Science a pour objectif de faire remonter à la surface des informations pour aider les entreprises à prendre des décisions plus intelligentes. En ce qui concerne l’expérience client, le data scientist aura pour objectif d’avoir une vision 360° du client et pour ce faire, il va créer un outil ou un moteur pour personnaliser les offres et services. On appelle cet outil un data product : un moyen qui repose sur des données et les traite pour générer des résultats à l’aide d’un algorithme.

L’exemple classique d’un data product est un moteur de recommandation, qui utilise les données utilisateurs et génère des recommandations personnalisées sur ces données. Si vous avez déjà fait des achats en ligne sur des sites comme Amazon, vous avez sûrement remarqué que lorsque vous ajoutez un article dans votre panier, le moteur vous génère automatiquement une liste de suggestions de produits similaires à votre panier. Autre exemple concret parmi les plus pertinents, Google utilise la data science pour mieux vous connaître pour ensuite mieux vous servir. Lorsque vous faites une recherche, l’ordre dans lequel les résultats s’affichent dépend de votre historique de navigation.

L’enjeu ici est de pouvoir fidéliser les clients en leur offrant des services personnalisés pour leur faire découvrir de nouveaux axes d’intérêts adaptés à leurs besoins. Par ailleurs, grâce à la data science, vous avez une vision 360° du client qui permet d’anticiper les besoins et de résoudre les problèmes avant même qu’ils n’apparaissent. Résultat : le client est rassuré et satisfait !

Quelles sont les limitations et contraintes ?

Nous avons vu que la Data Science est la clé de la réussite pour satisfaire vos clients. La mise en place d’un projet data science doit cependant surmonter un certain nombre de contraintes et limites :

• Les données incomplètes

Les données peuvent être incomplètes. Des valeurs manquantes, l’absence d’une rubrique ou d’une partie importante dans les données peuvent limiter leur usage. Par exemple, si vous n’avez pas les données transactionnelles sur une échelle de temps assez large, vous n’allez pas pouvoir effectuer des prédictions précises.

• Information incorrecte

Si vous utilisez la donnée des sondages, il faut garder en tête que tout le monde ne donne pas toujours des informations fiables. En effet, Il peut y avoir des personnes malhonnête à propos du nombre de fois ils font du sport, ou de la quantité d’alcool qu’ils consomment, par semaine. La donnée est alors biaisée

• Données non conformes juridiquement

Ces données clients sont à manipuler avec précaution au regard de la nouvelle réglementation européenne sur la protection des données personnelles (RGPD mai 2018). Il faut alors être vigilant lors de la collecte et la manipulation des données parfois sensibles. Il faut également s’assurer que le client accepte l’utilisation et l’analyse de ses données.

La mise en place de projets Data Science doit alors surmonter un certain nombre de freins et comporte des contraintes tant juridique, qu’en termes d’acceptation client, d’organisation ou de ressources.

Conclusion

La data science est en lien étroit avec l’expérience client. L’expertise du data scientist en termes mathématique, technologique ou business va permettre de répondre aux besoins des clients pour leur offrir une expérience client optimale.

Mais, malgré son profil pluridisciplinaire, le data scientist ne suffit pas pour un projet Data Science complet. Il faut intégrer ces nouveaux métiers dans une équipe « Client » (CRM en anglais : Customer Relationship Management) :

• Marketing client : spécialistes de la relation client pour fluidifier le parcours client et fidéliser
• Experts métier : ils peuvent être en charge de la logistique, de l’informatique, marketing, sales, etc.
• Data Manager : celui qui va formaliser les datas auprès des experts métier et se charger de la mise en conformité règlementaire des données clients
• Les designers : ils vont assurer la création de l’interface utilisateur avec des visualisations graphiques et la mise en production de l’outil
• Et d’autres personnes qui vont contribuer au projet comme l’équipe de ventes ou les clients même

Pour résumer, le ré-enchantement du client suit un parcours data précis :

1. La collecte de datas/feedback clients
2. L’extraction, le stockage et la mise en conformité des datas
3. L’Intégration des datas, l’analyse et la data visualisation
4. L’amélioration de l’expérience client

Article écrit par Aiman ARSHAD.