La digitalisation massive de l’activité économique a multiplié le volume des données à collecter, à traiter et à exploiter pour rationaliser la prise de décision. Dans un monde de plus en plus Data-Driven, les données de mauvaise qualité impactent toute la chaîne de valeur de l’entreprise, de la fonction commerciale au marketing en passant par les RH et la comptabilité. Résultat : perte de temps, coûts cachés, frustration et compétitivité en berne.
Vers un modèle décisionnel 100 % Data-Driven à l’horizon 2026
Après avoir négocié son virage digital, le monde de l’entreprise s’attaque désormais au chantier du processus décisionnel. Selon une prospective de Gartner, 65 % des entreprises du B2B devraient achever leur transition d’un modèle basé sur le flair et l’intuition à un processus entièrement Data-Driven à l’horizon 2026. Il faut dire que l’enjeu est de taille, car les structures qui ne justifieront pas d’un cadre efficace pour l’opérationnalisation de la Data d’ici 2024 accuseront un retard de compétitivité d’au moins deux ans. Comme dans toute dynamique transformationnelle, cette mue vers une décision systématiquement Data-Driven s’accompagne de plusieurs frictions :- Selon un rapport réalisé conjointement par Michael Page et Arktic Fox, près de la moitié des marketeurs (46 %), concèdent des lacunes majeures en matière de Data et de compétences analytiques ;
- Selon Nielsen, l’accès aux données et aux Analytics est « extrêmement difficile » pour 36 % des marketeurs ;
- Selon Gartner, les commerciaux sont les collaborateurs les moins formés à la Data. Le rapport « State of Sales Analytics » estime que 57 % des commerciaux doivent composer avec des compétences Data largement inférieures à la moyenne. Ce pourcentage reste élevé pour les équipes marketing (51 %) et le département comptable et financier (47 %).
Mauvaise qualité de la Data : des biais décisionnels et des coûts cachés
L’estimation du coût réel de la mauvaise qualité de la Data est un exercice laborieux car les outputs sont nombreux :- Une perte de temps (nettoyage manuel des bases de données, recherche ad hoc) ;
- Une sous-utilisation de la ressource commerciale qui est déjà rare et chère, notamment en France où l’on manque de 200 000 profils commerciaux (selon Michael Page). Une base de données bancale ou incomplète nécessitera des interventions répétées des commerciaux pour compléter les champs manquants avant de lancer la prospection. Selon HubSpot, les commerciaux perdent, en moyenne, une heure par jour sur des tâches manuelles, dont le nettoyage des bases de données ;
- Un coût d’opportunité avec des données qui ne sont pas exploitables à 100 % ;
- Des décisions opérationnelles et stratégiques biaisées par des données fausses, incomplètes ou obsolètes ;
- Une image de marque dégradée, dans la mesure où la Data de mauvaise qualité complique le ciblage et ne permet pas d’activer la « connaissance client » pour personnaliser l’expérience.
Les règles d’or pour une Data au service de la performance commerciale
Data Enso vous propose les bonnes pratiques à déployer pour transformer votre capital Data en un véritable avantage compétitif :- Mettre en place des tableaux de bord pour évaluer la qualité de la Data en continu: variance et écart-type, taux d’erreur, taux de complétion, taux de données introuvables, taux de données au format attendu, taux de doublons, variance temporelle, etc. ;
- Identifier clairement l’impact interne de la Data de mauvaise qualité. Gartner recommande de lister les problématiques liées à la Data Quality ainsi que leur impact sur le chiffre d’affaires, la productivité des équipes Vente et Marketing, etc. Cette étape préalable permet de définir les parties prenantes d’une éventuelle stratégie Data, de les sensibiliser à l’impact de la mauvaise qualité des données sur la performance et de débloquer les budgets nécessaires auprès du top management ;
- Identifier l’impact « client » de la Data de mauvaise qualité. Dans une campagne emailing sur une base de données remplies de doublons, vous enverrez plusieurs fois le même mail à la même personne, ce qui aura le don de l’agacer ;
- Investiguer les causes de la mauvaise qualité de la Data: sources peu fiables, absence de rapprochement entre plusieurs ressources, erreurs humaines, manque de communication entre les services de l’entreprise, etc. ;
- Définir ce que l’on entend par une Data « de qualité ». Chaque secteur d’activité peut avoir des normes différentes en la matière. Il est donc important de définir en amont l’objectif de qualité attendu pour ne pas surinvestir ;
- Accepter le fait que les fichiers prospects ont un taux d’obsolescence de 25 à 30 % par an et agir en conséquence (changement de poste, changement d’employeur, départ à la retraite…) ;
- Commencer par assainir l’existant via des traitements par lots ou Batch (curatif) ;
- Compléter son stack technologique avec un outil de Data Quality Management capable de faire du curatif mais aussi et surtout du préventif.
