CRM et Intelligence artificielle : comment développer et optimiser vos données ?

Nous débutons une série de trois articles pour exposer notre vision actuelle des projets digitaux autour de la Relation Client. Cette série aboutira à l’édification d’une nouvelle approche en matière de pilotage du système d’information Client, à destination des équipes commerciales. Nous verrons dans ce premier article les tendances actuelles pour enrichir un CRM et comment optimiser la qualité des données.

En 2016, Gini Rometty (chairman, president and CEO of IBM Corp.) annonçait déjà aux organisations qu’avec les projets de digitalisation, le chemin à parcourir ne faisait que commencer : « Digital is not the destination. Rather, it is laying the foundation for a more profound transformation to come » (Revue MIT Sloan – Fall 2016). Elle annonçait l’émergence des services cognitifs et de l’Intelligence Artificielle qui sont aujourd’hui l’un des axes majeurs d’amélioration supplémentaire de la performance commerciale.

La préparation des données : une étape toujours essentielle

Dans la plupart des projets de Data Science, la préparation des données est une part importante du travail puisque sans données de qualité, le résultat obtenu ne peut pas être fiable. N’étant pas Data Scientist moi-même, je ne vais pas m’étendre sur le sujet mais le parallèle avec le Digital est très rapide.

En voici deux exemples. Tout d’abord, la plupart des outils d’écoute des réseaux sociaux présentent des tableaux de bord permettant de visualiser les tendances et de remonter des alertes, aussi bien en termes de volumétrie que de perception positive ou négative. Or, le système fonctionne largement à partir de mots-clés et un même mot peut être présent dans différents contextes pour des usages très différents comme, par exemple, Orange ou HEC.

Lorsque le volume de données fiables n’est pas très volumineux, il vaut donc mieux prévoir un travail manuel de nettoyage et d’enrichissement des règles du moteurs. Cela permet ainsi d’éviter d’extrapoler sur des tendances erronées.

Ensuite, les outils CRM s’enrichissent de plus en plus d’Intelligence Artificielle. Cela peut être, par exemple, pour aider les entreprises à établir des scores sur leurs opportunités. Ou à rappeler aux commerciaux que certains clients sont négligés ou en risque de churn (perte de clientèle ou d’abonnés).

Mais pour ces outils branchés directement sur les CRM, la qualité de la suggestion (insight) fournie dépend des données présentes dans la base du CRM. A savoir : les activités très opérationnelles telles que les interactions, les rendez-vous, les contacts, les opportunités, les demandes et réclamations, les difficultés rencontrées par les commerciaux, et aussi les données collectées depuis des sources externes pour enrichir le CRM (fréquent en B2B : les adresses, les secteurs d’activité, les dirigeants…).

Pour préparer vos données, mettez en place un DataHub

Au final, au moins deux tendances à la source des projets que nous croisons actuellement, imposent un effort plus important en matière de qualité de données dans les outils CRM : la data science et le pilotage à partir de KPIs. Chez Business & Decision, nous recommandons la mise en place d’un DataHub en amont des traitements Data Science pour préparer et rassembler des données structurées. De manière générale, plus les données sont propres en amont, moins il y aura de travail à prévoir dans ce DataHub.

Jusqu’à présent, et selon notre expérience, l’approche typique d’un projet CRM était de construire une solution CRM brique par brique. Et ce, en commençant par le référentiel Clients et le suivi des Opportunités, des Incidents ou des Campagnes marketing. Ensuite, le projet s’enrichissait progressivement, un peu comme dans la pyramide en bleu ci-dessous.

Aujourd’hui, les enjeux de transformation rapide des entreprises et de capitalisation sur leurs données (« data is the new oil ») sont tels qu’une autre approche est possible, parfois plus efficace. Celle-ci va à l’encontre de l’approche traditionnelle. Elle se focalise ainsi, dès le démarrage, sur ce dont l’entreprise a réellement besoin (processus, pilotage et analyse des données) plutôt que sur un ensemble très détaillé de données recherchées par les commerciaux pour décrire leurs clients (key users) et est mise en place par sprints agiles.

CRM : capitalisez au plus tôt sur des données de qualité

Avec la réduction des coûts de stockage, la généralisation des projets de Data Science et du pilotage par les KPIs, il n’est jamais trop tôt pour capitaliser sur des données de qualité, même anonymes, par respect du RGPD, car sinon comment…

• analyser un KPI de performance commerciale sans avoir dans le CRM l’exhaustivité des actions entreprises pour évaluer le délai des Opportunités et l’investissement ?
• chercher des prospects au profil proche de ses meilleurs clients si ceux-ci ne sont pas déjà correctement décrits ?
• identifier les axes de progrès des commerciaux dans leurs démarches de vente s’ils ne saisissent pas les interlocuteurs qu’ils rencontrent ?

Au démarrage d’un projet de transformation digitale, une double approche est donc recommandée : la formalisation claire des enjeux et de la stratégie pour y répondre (le projet CRM/Marketing s’inscrit dans cette stratégie) et l’audit du capital de données et des indicateurs comme gisement de valeur à construire ou à sauvegarder (chez Business & Decision, nous appelons cela le digital assessment).

Dans les deux approches, le recensement de la matière brute de données et des indicateurs de synthèse est donc une étape quasi-obligatoire à effectuer au démarrage et est à revoir régulièrement.