En 1985, Coca Cola lançait en grande pompe une version améliorée de sa boisson emblématique, sobrement baptisée « New Coke ». Tout laissait présager un succès stratosphérique : le goût a été validé par un panel de consommateurs, les études quantitatives étaient dithyrambiques et le budget marketing colossal. « Je n’ai jamais été aussi confiant que je ne le suis aujourd’hui », avait notamment déclaré Roberto Goizueta, CEO de Coca Cola, la veille de la commercialisation du nouveau produit.
Aujourd’hui, le lancement du produit « New Coke » est considéré comme l’un des plus grands échecs commerciaux de tous les temps. Comme l’explique BigCommerce, cet échec est d’abord « celui de la mauvaise qualité de la Data ». Une série d’erreurs et d’approximations a en effet biaisé la prise de décision.
Trente ans plus tard, dans un monde où la quantité des données produites au quotidien s’est sans doute multipliée par plusieurs milliards, la qualité de la Data devient un élément critique de l’activité, à fortiori lorsque cette dernière se déroule majoritairement ou exclusivement en ligne. Et la dynamique n’est pas près de faiblir : selon Gartner, 65 % des entreprises devraient avoir achevé leur transition d’un modèle basé sur l’intuition à un paradigme Data-Driven à l’horizon 2026. Data Quality et e-commerce : quels enjeux ? Quelles bonnes pratiques à implémenter pour exploiter le plein potentiel de la Data au service de la performance commerciale ?
Les 6 critères clés de la Data Quality
La Data Quality, ou qualité des données, désigne un les outils, les process et les techniques visant à mesurer la précision et l’utilité d’un ensemble de données au regard de l’activité. Bien que la définition de la « qualité » diffère en fonction des secteurs d’activité, la Data Quality analyse les ensembles de données sur la base de six grands critères :
- L’exactitude : les données sont-elles correctes dans leur intégralité ?
- L’unicité : chaque entrée est-elle unique ? Y a-t-il des données en double ?
- L’exhaustivité : toutes les données nécessaires à la décision sont-elles disponibles ?
- L’utilité : les données sont-elles actionnables ? Sont-elles utiles à la prise de décision ?
- La fiabilité : les données sont-elles dignes de confiance ? Comment se comparent-elles aux données issues de sources d’autorité ?
- L’actualité(ou la fraîcheur) : les données sont-elles à jour ?
Pour aller plus loin, vous pouvez parcourir notre glossaire de la Data Quality. Par définition, le e-commerce implique la gestion d’un volume de Data plus élevé que dans un magasin physique (ou Brick & Mortar). En effet, chaque transaction est associée à une adresse email, un numéro de téléphone, un nom, un prénom, une adresse postale, un compte Facebook ou Gmail, etc. Cette traçabilité facilite le suivi du comportement d’achat des consommateurs pour rationaliser les décisions marketing afin de doper la performance commerciale, que ce soit pour les premiers achats, pour faire du cross ou upselling ou dans une optique de fidélisation.
E-commerce : les 5 grands enjeux de la Data Quality
De la recommandation des produits à la gestion des stocks en passant par la performance des campagnes promotionnelles, la bonne livraison des colis et le SAV, la qualité de la Data intervient dans toute la chaîne de valeur du e-commerce. Les enjeux sont donc majeurs.
#1 La Data Quality pour recommander les bons produits
Selon Invespcro, 54 % des e-commerçants estiment que les recommandations de produits sont « le facteur clé » pour améliorer le panier moyen des clients. Ils sont nombreux à utiliser des outils spécifiques pour recommander le bon produit au bon client et au bon moment.Â
Seulement voilà  : ces outils utilisent des données brutes, et toute erreur provoquerait des biais systémiques qui peuvent faire dérailler toute la stratégie de recommandation. Une cliente à qui l’on recommande des produits masculins (ou inversement), des recommandations de produits déjà achetés ou hors saison, etc.
Des données fiables sur le profil, l’historique d’achat et la localisation vont permettre aux algorithmes d’apprentissage automatique de gagner en pertinence, jusqu’à faire de la recommandation de produit un puissant catalyseur de vente.
#2 L’importance de données de qualité pour une meilleure gestion des stocks
Avec des données précises sur le comportement d’achat de votre clientèle, vous pourrez mieux anticiper les commandes, que ce soit en estimant le temps nécessaire pour un achat de type « ravitaillement » pour les produits consommables, ou en identifiant un facteur saisonnier.
Vous pourrez ainsi ajuster votre inventaire en conséquence pour éviter les ruptures de stock ou l’accumulation des produits stockés avec un surcoût important.
#3 Des données fiables pour en finir avec les erreurs de livraison
La qualité des données impacte directement la performance logistique des boutiques en ligne (et des magasins physiques). Il suffit d’une erreur dans l’adresse postale ou d’un champ au mauvais format pour déclencher une cascade de problèmes : colis non livré (ou livré à la mauvaise adresse), retour, traitement manuel de la base de données pour identifier l’erreur, service client sollicité, avis négatif sur les plateformes spécialisées et les réseaux sociaux, perte d’un client, image de marque entachée, etc.
Rappelons d’ailleurs que 87 % des Français consultent les avis clients avec de prendre une décision d’achat (Ifop). Forcément, des avis sur des colis qui n’arrivent pas à bon port feront fuir vos clients potentiels. Ce qui nous amène au point suivant…
#4 Des données fiables pour authentifier les avis clients
Cet avis peu flatteur mais bien visible a-t-il été rédigé par un « vrai » client qui a effectivement acheté chez vous ? Si votre base de données est bancale, la vérification sera laborieuse, et vous n’aurez pas d’arguments pour répondre à cet avis afin de rassurer vos clients potentiels.
Avec des données fiables, vous pourrez opérer un rapprochement entre les différents éléments de l’avis et l’historique des achats, les caractéristiques du produit acheté, sa provenance (fournisseur), les éventuels incidents de livraison, les échanges du client en question avec le service client ou le SAV, etc.
#5 Des données de qualité = des campagnes marketing à fort ROI
Dans votre capital Data, l’adresse email et le numéro de téléphone sont des variables à la fois précieuses et sensibles. Il suffit d’une campagne d’emailing (ou SMS) mal calibrée pour déclencher une série d’opt-out, avec la perte de leads durement acquis à la faveur d’efforts LeadGen colossaux. Le Data Cleaning est à la fois un préalable indispensable aux campagnes marketing (curatif sur les données existantes par le dédoublonnage, la correction et l’enrichissement) et une action continue via la validation en temps réel des données de première main au moment de leur saisie. Il s’agira également de capitaliser sur chaque échange avec les clients et prospects pour qualifier, enrichir et mettre à jour la base de données.
L’expertise Data Enso au service des e-commerçants
Dans une configuration phygitale (point de vente physique et e-commerce) ou Pure Player (activité exclusivement digitale), Data Enso mobilise sa technologie et son expertise pour faire de votre capital Data un avantage compétitif majeur.
Nous accompagnons les professionnels du e-commerce sur l’ensemble du processus, depuis l’audit de leurs systèmes jusqu’à la mise en place de solutions adaptées pour :
- Fiabiliser les données collectées : aide à la saisie, correction automatique en temps réel
- S’assurer de la véracité des données collectées : outil de vérification d’emails, de numéros de téléphone, de sociétés en temps réel
- Enrichir les bases de données : récupération des fiches infos société avec peu de champs initiaux à compléter
- Optimiser les systèmes de collecte avec la réduction du nombre d’étapes à renseigner
- Nettoyer et corriger les données existantes grâce à notre solution de batch.
Découvrez nos solutions pour les e-commerçants ou testez-nous !
