Ces 3 erreurs qui mettent en péril votre Data Quality Management
Socle fondamental de l’entreprise data-driven, la Data Quality offre des fonctionnalités qui fiabilisent les données en base et entrantes. Au vu des nombreux processus et systèmes qui utilisent la donnée client, la Data Quality requiert une véritable gestion pour être appliquée à tous les niveaux. Voici 3 écueils à éviter pour bien contrôler le Data Quality Management.
CDP, CRM, RCU, Marketing Automation… Dans toute entreprise, un projet qui implique les données client implique aussi les problématiques de Data Quality. Si la Data Quality n’est pas contrôlée en amont des projets, elle se manifeste douloureusement en dégradant l’efficacité des activités menées par les utilisateurs des systèmes métier.
Une Data Gouvernance solide doit inclure le Data Quality Management
Vos utilisateurs, vos outils et process ont besoin de données de qualité ! Prenons l’exemple du CRM, outil utilisé par une majorité d’entreprises. Un CRM ne peut pas fonctionner sans données qualifiées et unifiées. Quand une base de données client contient plus de 10 % de doublons et 25 % d’emails faux – des proportions constatées par nos équipes chez les entreprises qui n’ont pas déployé de fonctionnalités et de process de Data Quality – le CRM ne peut pas faire de miracle et propage la mauvaise qualité des données dans vos divers systèmes. Dès lors, les utilisateurs ne peuvent pas exploiter pleinement la valeur ajoutée de leur outil, car ils ne peuvent pas se fier aux données utilisées.
Or, un CRM n’est pas conçu avec de solides fonctions de Data Quality Management. En effet, selon les éditeurs de CRM, certains outils de relation client incluent quelques fonctions de Data Quality. Ces dernières sont souvent très limitées. Exemple avec le dédoublonnage : un outil de CRM peut repérer des doublons uniquement s’ils présentent une exactitude parfaite sur un seul critère – en général le nom du client ou l’adresse mail. Loin de traiter tous les types de doublons, le CRM ne détient pas non plus la puissance de traitement requise pour unifier des bases très volumineuses de plusieurs dizaines de millions de contacts. Reste donc à traiter la Data Quality pour tirer le meilleur parti du CRM.
La problématique est universelle puisqu’elle concerne tous les systèmes utilisant la donnée client. Or, la réussite d’une démarche de gestion de la qualité des données client peut se heurter à 3 erreurs :
1. « Mes données client sont de bonne qualité, pas besoin de contrôle et de nettoyage »
Dans toute entreprise, les informations de contact des clients sont exposées à de trop nombreuses failles dans les processus eux-mêmes générant des données erronées. Erreurs humaines de saisie, changement de coordonnées, import de bases de mauvaise qualité… L’enregistrement de mauvaises données n’épargne aucune base.
En termes de doublons, leur part se situe en moyenne entre 5 % et 10 % de la base client. À partir de 10 %, on atteint un seuil critique auquel l’efficacité des opérations de contact client et de marketing et la prise de décision sont dégradées. La principale source de doublons vient du cloisonnement des différents systèmes d’information de l’entreprise qui démultiplient les bases de données – base CRM marketing / ventes, service client, ERP, points de vente, portail Web… À chaque point de contact, la collecte de données client a toutes les chances de déclencher une nouvelle fiche client. Inexorablement, les doublons se propagent à l’échelle de l’entreprise. Pour autant, chaque service est conscient de la valeur d’une information de qualité.
Ce n’est pas tout. Les doublons peuvent aussi venir de certains biais organisationnels, notamment lorsque la création de nouvelles fiches client est incentivée dans une optique de new business. Cette pratique encourage les opérationnels à créer systématiquement une fiche client en double. Quitte à utiliser des contournements quand un outil opérationnel bloque la saisie multiple d’une même adresse email. Une petite modification à la marge – un point en plus dans une adresse email, une inversion volontaire de lettres – permet de « forcer la main » au système qui identifiera la fiche comme différente.
2. « Nous développons nous-mêmes notre solution de Data Quality Management » : surtout pas !
Notre expérience auprès de plusieurs entreprises le confirme : toutes celles qui ont tenté de dédupliquer et fusionner leurs données client par leurs propres moyens y ont perdu des sommes colossales en développement, un temps infini, pour un résultat bien en deçà des exigences en la matière.
Il n’est pas rare de constater des temps de traitement de plusieurs semaines avec des solutions maison, quand quelques heures suffisent avec la solution d’un spécialiste. De plus, l’identification des doublons laisse à désirer avec une solution trop générique, ou qui n’utilise pas de clés de rapprochement assez fines pour trouver un maximum de doublons dans une base. Enfin, reste le cas des entreprises qui arrêtent la démarche au moment de fusionner par manque de maîtrise et crainte de perdre des données client.
3. « Confions le DQM de l’entreprise à un intégrateur en projet spécifique » : pas si simple…
Confier un projet de Data Quality à des non-spécialistes expose votre entreprise à plusieurs déboires. Une des raisons tient à ce qu’un non-spécialiste ne dispose pas d’une vision de l’ensemble des besoins associés à la Data Quality, ni du recul sur les enjeux techniques, les temps de traitement, les écueils à contourner à l’étape du POC… Pour conduire un projet de Data Quality à la réussite, la meilleure stratégie consiste à s’adresser à une solution de spécialiste déjà développée, éprouvée, immédiatement opérationnelle.
Le conseil et l’accompagnement sont essentiels également pour profiter des meilleures pratiques et de points de repère éprouvés dans le succès d’un projet de data Quality. Ainsi, en matière de dédoublonnage, il faut savoir où s’arrêter et comprendre que l’objectif d’identifier 100 % des doublons n’est pas pragmatique. Sans l’éclairage d’un spécialiste, cette bonne pratique a peu de chance d’être appliquée, or elle contribue à une intégration réussie de la Data Quality avec des objectifs réalistes et atteints.
À propos de DQE
Parce que la qualité des données est essentielle à la connaissance client et à la construction d’une relation pérenne, depuis 2008 DQE met à la disposition de ses clients des solutions innovantes et complètes facilitant la collecte de données fiables.