Le rôle de la donnée dans le marketing est suffisamment abordé ici et là et connu pour que l’on n’ait pas besoin de le rappeler. “Comment mieux exploiter les données pour améliorer la performance marketing et prendre de meilleures décisions ?” : c’est sans aucun doute l’une des principales questions que se posent aujourd’hui les entreprises, en B2B comme en B2C d’ailleurs.
Mais dans ce guide, nous allons nous intéresser à la donnée sous un angle précis : celui de la qualité des données. C’est un sujet de plus en plus brûlant : celui de la Data Quality. Dans le Data Management comme dans bien d’autres domaines, la qualité est plus importante que la quantité. De quoi parle-t-on ? Que recouvre ce terme de Data Quality ? Pourquoi maintenir la qualité des données est un enjeu crucial ? Comment gérer la Data Quality dans une organisation ? Comment maintenir, tout simplement, une base de données de qualité, avec des données à jour ? Autant de thèmes importants qui méritaient un dossier complet sur le sujet et dont voici le premier article.
Sommaire
Qu’est-ce que la Data Quality ? [Définition]
La Data Quality fait référence à la capacité d’une entreprise à maintenir la pérennité de ses données à travers le temps, et donc leur utilisabilité dans le cadre d’opérations marketing et commerciales. La Data Quality désigne donc une manière de gérer les données de telle sorte que ces données restent viables à travers le temps. C’est bien connu, le temps érode / dégrade naturellement la qualité des données, car la donnée clients est une matière vivante : les gens changent d’adresses emails, d’adresses tout court, de numéro de téléphone mais aussi de préférences, de comportements d’achat, etc. Une base de données qui n’est pas entretenue finit par stocker des données qui ne sont plus justes, qui ne correspondent plus à aucune réalité. La gestion de la qualité des données – ou Data Quality Management – est l’ensemble des pratiques et techniques permettant de maintenir la véracité des données contenues dans vos fichiers clients ou prospects.
Mais la gestion de la Data Quality englobe un champ plus large et repose sur la prise en compte de six dimensions ou critères, mis au jour par l’association DAMA United Kingdom :
- La complétude des données : possédez-vous toutes les données dont vous avez besoin sur vos clients ou prospects ? Tous les attributs / champs dont vous avez besoin sont-ils renseignés ? L’incomplétude des données à disposition est l’un des principaux challenges rencontrés par les organisations dans leur gestion des bases de données.
- Leur validité : les données à disposition se plient-elles à une syntaxe normée ? (par exemple : “av” vs “avenue”).
- Leur précision : tout simplement, les données présentes dans votre base sont-elles correctes ? Reflètent-elles la réalité ? Des données peuvent très bien être complètes et pourtant incorrectes, ce critère est donc essentiel. Vous pouvez par exemple avoir les adresses de tous les individus de votre liste, mais il se peut que seulement 70% de ces adresses soient valides.
- La cohérence : les données de vos différentes bases sont-elles cohérentes entre elles ? Les informations, pour un même individu enregistré dans plusieurs bases, sont-elles les mêmes d’une base à l’autre ?
- La disponibilité des données : les données sont-elles facilement accessibles par les personnes qui en ont besoin dans leur travail ?
- L’actualité des données : quand est-ce que les données ont été enregistrées ou mises à jour ? On en revient à ce que nous disions tout à l’heure : les données perdent naturellement de la valeur avec le temps, elles se dégradent. Plus une donnée est récente, toutes choses égales par ailleurs, plus elle a de valeur.
La qualité des données à disposition est à la base de l’efficacité des activités marketing et commerciales. On dit souvent que la donnée est le carburant de la relation clients, du dialogue commercial et de l’efficacité marketing. Mais cela n’est vrai qu’à condition que les données soient de qualité, au multiple sens que nous venons de lister.
Découvrez comment construire une stratégie de Lead Scoring.
Pourquoi les données inexactes sont des données dangereuses ?
Dans les métiers de la data analyse, la maintenance de la qualité des données est un enjeu essentiel. Toutes les organisations qui font du Big Data savent les risques et les dangers que constituent les données incorrectes. Le concept de Data Quality n’est pas un énième terme à la mode, c’est quelque chose de réellement important, qui décrit une préoccupation hautement légitime. Pourtant, force est de constater que la Data Quality fait rarement partie des grandes priorités des entreprises.
Pourtant, la donnée en tant que telle ne se suffit pas à elle-même. Ce qui permet à une entreprise d’améliorer ses performances, ce n’est pas la donnée en tant que telle, mais la donnée de qualité. Disons-le un peu crûment : si vous n’êtes pas prêt à entretenir vos données, autant ne pas collecter de données du tout…On pourrait même inventer un slogan : la donnée, ça s’entretient ou ça ne vaut rien. Une infographie partagée par Halo Business Intelligence a montré que presque 40% des données détenues par les entreprises étaient inexactes…Encore plus inquiétant, plus de 90% des entreprises admettent que les données clients dont ils disposent sont inexactes…Dans l’étude d’Halo Business Intelligence, 66% des entreprises interrogées admettent la possibilité que les données incorrectes aient un impact négatif sur leurs affaires. Elles estiment même le coût probable à $8,200 000 en moyenne…Certes, nous avons affaire à des gros poissons, mais tout de même.
Découvrez 15+ outils pour construire un fichier de prospection.
Pourquoi et comment le fait d’avoir des données de mauvaise qualité affecte à ce point les performances des entreprises ? Les dangers associés aux données de mauvaise qualité sont de deux ordres. D’un côté, ils entraînent des coûts financiers, d’un autre côté ils portent atteinte à la réputation de l’entreprise.
Comme le montre l’étude citée plus haut, les données exactes ont d’abord un impact / un coût financier. Sans Data Quality, vous êtes amenés à prendre des décisions et à implémenter des stratégies en vous basant sur des faits inexacts. Prenons un exemple à la fois simple et banal. Mettons que vous souhaitiez créer votre prochaine campagne marketing. Pour cela, vous utilisez les données à disposition afin de cibler les bonnes personnes. Mais si vos données sont incorrectes, vous allez cibler les mauvaises personnes avec les mauvaises offres. Vous vous serez basés sur des comportements supposés qui ne sont pas ceux de vos contacts. Votre campagne marketing risque de faire flop. Elle vous aura coûté de l’argent, sans retour sur investissement consistant. En dehors de ça, le fait de disposer de données inexactes engendre des coûts opérationnels non négligeables. Si vous avez des données imprécises ou inexactes sur vos clients, vous devrez passer du temps à essayer de trouver la bonne information. Or, dans le business, le temps c’est de l’argent…
Evidemment, mettre en place un management de la Data Quality coûte de l’argent, suppose un investissement de l’entreprise. Au départ, vous aurez l’impression de perdre plus que vous ne gagnez. Mais dites-vous toujours, si vous doutez, que le coût associé aux données de mauvaise qualité sera toujours plus élevé que n’importe quelle stratégie de Data Quality. Réparer des erreurs, liées à la mauvaise qualité des données, est toujours à la fin plus coûteux que de limiter les risques d’erreur… A ce propos, signalons une étude, assez académique certes, mais néanmoins passionnante de 2011, qui démontre preuve à l’appui que les coûts associés aux données incorrectes est toujours supérieur aux coûts associés à la maintenance de la Data Quality.
Enfin, comme nous le disions plus haut, le fait de disposer de données de mauvaise qualité peut aussi avoir un impact très dommageable sur l’image de marque de l’entreprise. Car, tout simplement, la mauvaise qualité des données impacte nécessairement la qualité de vos communications, la qualité du dialogue que vous entretenez avec vos clients. Et puis, dis vulgairement, ça la fout mal de montrer à vos clients, à travers vos messages, que vous détenez sur eux des informations complètement fausses. Cela atteint forcément votre crédibilité. C’est vrai en B2C, ça l’est encore davantage en B2B.
Découvrez 10 tendances majeures dans l’univers des logiciels CRM B2B.
Les bénéfices d’un management de la Data Quality
Ne pas se préoccuper de la Data Quality peut avoir de graves conséquences sur l’activité de l’entreprise. Mais au-delà de cet aspect, mettre en place un management de la Data Quality comporte plusieurs bénéfices “positifs”. Tout d’abord, cela permet à une organisation de réduire les coûts dans différents départements. L’étude Halo Business Intelligence a montré que les organisations qui manageaient la Data Quality réussissaient à réduire :
- De 10% à 20% les dépenses d’entreprise
- De 40% à 50% les coûts IT
- De 40% les coûts opérationnels
Encore une fois, la plupart de ces réductions de coûts sont le résultat d’une utilisation de la donnée plus pertinente. La gestion du planning, les décisions et les actions sont plus efficaces lorsqu’elles sont drivées par des données correctes. Mais le management de la Data Quality contribue aussi directement ou indirectement à améliorer les performances économiques (CA, revenus). Car disposer de données de qualité permet d’éviter les grosses erreurs stratégiques, d’améliorer l’image de marque et de garantir la loyauté des clients. Le fait d’utiliser des données précises permet d’améliorer les performances de vos campagnes marketing et de votre stratégie de vente.
Par dessus-tout, avoir un management de la Data Quality permet d’améliorer le risk management. Les risques d’erreur sont largement réduits si vous basez vos décisions sur des informations correctes. La Data Quality permet de limiter le risque d’erreur dans de nombreuses activités, du service client au développement de produit en passant même par la comptabilité ! Le fait de disposer de données de qualité simplifie la vie des collaborateurs et les rend plus efficaces. Ils ne sont plus à chaque fois obligé de double-checker les informations pour s’assurer de leur validité.
Découvrez comment faire évoluer les process de vente B2B pour répondre aux exigences du décideur moderne.
Les composantes clés d’un management efficace de la Data Quality
Comment mettre de l’ordre dans ses données ? Comment mettre en place un management efficace de la Data Quality ? Il y a différentes approches possibles. Votre entreprise doit, dans un premier temps, formuler clairement ses besoins et ses objectifs en matière d’utilisation des données.
Il existe trois composantes clefs à prendre en considération dans le management de la Data Quality :
- La gouvernance des données
- La Data Quality Assurance (QA)
- Le contrôle de la Data Quality
#1 La gouvernance des données
Toutes les entreprises devraient disposer d’une équipe chargée de la gouvernance des données pour surveiller la qualité des données, leur mise à jour, les procédures en place pour maintenir la qualité. Il est devenu fréquent depuis quelques années de trouver dans les entreprises un Chief Data Officer (CDO) chargé de tenir informée la direction des problèmes liés à la donnée rencontrés par l’entreprise.
Une équipe chargée du Data Management doit se concentrer sur les objectifs stratégiques de l’entreprise. Elle doit sans cesse se poser la question de savoir ce que sont les objectifs clefs de l’entreprise et comment les atteindre. Les réponses à cette question permettent de définir les données dont l’entreprise a besoin pour se développer. Cela aide aussi à prioriser les objectifs en matière de Data Quality.
Une fois que vous avez défini les objectifs business en termes de données, il faut mettre de l’ordre dans la base de données. Plusieurs programmes de Data Quality peuvent être déployés à cette fin. Il est possible également d’externaliser le nettoyage de vos bases, en faisant appel à un cabinet de conseil expert en données clients. Le plus important est de se concentrer sur les données qui font vraiment sens pour votre organisation et la poursuite de ses objectifs, et de supprimer les données inutiles ou non pertinentes. Les entreprises ont souvent du mal à supprimer des données, mais une gestion efficace de la Data Quality suppose de se concentrer exclusivement sur les données essentielles.
Soyez conscient que la gestion de la Data Quality ne consiste pas essentiellement à implémenter votre plan d’actions à l’aide méthodes toutes plus sophistiquées les unes que les autres. Il faut aussi et surtout que vous soyez capable de faire des arbitrages entre le coût d’implémentation des programmes de Data Quality et le coût en termes financiers et de réputation associé à l’utilisation de données de mauvaise qualité. Un management de la Data Quality, pour être efficient, n’a pas forcément besoin d’être coûteux.
Il y a un dernier aspect de la gouvernance des données à ne pas négliger. On le sait, ce sont la plupart du temps des erreurs humaines qui sont à l’origine des données incorrectes. Il est donc essentiel aussi de sensibiliser les collaborateurs sur l’importance de la Data Quality. Il faut que tout le monde dans l’organisation s’implique et comprenne pourquoi la qualité des données est quelque chose d’important. Ce travail de sensibilisation peut s’avérer bien plus efficace pour supprimer les données incorrectes que d’implémenter un nouveau logiciel sophistiqué.
Découvrez notre Top 10 des outils de nettoyage de listes d’emails.
#2 La Data Quality Assurance
La Data Quality Assurance désigne l’ensemble des process et des techniques quotidiens permettant d’ d’identifier les données inexactes, incohérentes, incomplètes et donc in fine de garantir le maintien de la qualité des données à travers le temps.
Mettre en place une démarche de Data Quality Assurance permet de s’assurer au jour le jour que les données exploitées par l’entreprise ont un haut niveau de qualité et permettent de réaliser les objectifs identifiés par l’équipe chargée de la gouvernance des données.
#3 Le contrôle de la Data Quality
Enfin, vous devez aussi implémenter des protocoles de contrôle de la Data Quality. Le contrôle de la qualité prend le relais de la Data Quality Assurance. Contrôler la Data Quality consiste à s’assurer que les données sont exactes et que les bases ne contiennent ne sont pas encombrées de données inutiles. Il s’agit de contrôle aussi bien la qualité des données que l’usage qui en est fait par les collaborateurs de l’entreprise.
La Data Quality Assurance permet de mesurer le niveau d’incohérence, d’incomplétude et de précision des données à disposition. Le process de contrôle de la donnée consiste lui à décider si la donnée est utile, pertinente, mérite d’être exploitée. Prenons un exemple. La personne chargée de la Data Quality Assurance sera celle qui identifiera les données incohérentes. La personne responsable du contrôle sera celle qui décidera de supprimer ces données pour ne pas qu’elles soient utilisées par l’entreprise. Son rôle est d’empêcher l’organisation d’utiliser des données incorrectes.
Découvrez notre guide complet sur l’art de mettre en place des process commerciaux efficaces.
Conclusion
La donnée est un matériau essentiel pour les entreprises B2B. Mais les données ne valent que si elles sont correctes, complètes, cohérentes, précises, à jour. Des données de mauvaise qualité peuvent au contraire avoir un impact négatif sur le business. D’où l’intérêt de mettre en oeuvre un management de la Data Quality au sein de l’organisation. Mais au lieu de se contenter d’implémenter des programmes de Data Quality coûteux et chronophages, les entreprises doivent d’abord prendre soin d’identifier les cas d’usage de leurs données. La Data Quality, c’est aussi l’art et la manière d’identifier les données pertinentes et de supprimer toutes les autres.
