Garder un CRM propre : doublons, formats, méthode

Ce guide réunit ce que Data Enso a publié sur la qualité des données dans un CRM : ce qu'elle recouvre, pourquoi elle se dégrade, ce que les doublons coûtent réellement, et dans quel ordre intervenir.

Qu'est-ce qu'un CRM propre ?

Un CRM propre n'est pas un CRM vide d'erreurs, c'est un CRM dont on connaît l'état. Quatre critères le décrivent, et ils ne se traitent pas de la même façon.

1. L'exactitude. La donnée correspond à la réalité au moment où on la lit. C'est le critère qui se dégrade tout seul, sans que personne n'intervienne.
2. La complétude. Les champs nécessaires à l'action sont renseignés. Une fiche sans téléphone ne bloque rien tant que personne n'appelle.
3. La cohérence. Le même contact porte la même information d'un outil à l'autre. C'est le critère qui casse en premier quand plusieurs systèmes écrivent dans la même base.
4. L'actualisation. La donnée est rafraîchie à un rythme connu, et non quand quelqu'un s'aperçoit qu'elle est fausse.

Pourquoi un CRM se remplit-il de doublons ?

Parce qu'un même contact entre par plusieurs portes et jamais sous la même forme. Un formulaire du site, un fichier de salon, une synchronisation d'outil et une saisie commerciale produisent quatre fiches pour une personne, qui diffèrent d'un accent, d'un espace, d'un prénom abrégé ou d'une adresse e-mail secondaire.

Le problème n'est donc pas la saisie, qui est rarement fautive, mais l'absence d'un point de validation commun à toutes les sources. Dans les CRM que nous traitons, les doublons représentent en moyenne 45 % des anomalies relevées. Observations Data Enso, sur 11 millions de lignes traitées en 2025 pour des clients B2B et e-commerce.

Que coûte un doublon, concrètement ?

Le coût n'apparaît jamais dans la ligne « qualité des données ». Il se répartit en trois endroits : le temps commercial, la justesse des décisions et l'image de marque.

Le cas suivant l'illustre. Une agence immobilière de taille moyenne lance une nouvelle stratégie d'acquisition et multiplie ses leads par 2,5 en un an. Sur la même période, son taux de conversion chute de 21 %. L'analyse de la base montre que 15 % des entrées sont des doublons : mêmes personnes enregistrées plusieurs fois, variantes d'orthographe, adresses e-mail différentes, nouvelle fiche créée là où il aurait fallu mettre à jour l'existante. Les leads arrivaient de plusieurs canaux, chacun intégré au CRM sans système de validation unifié. Cas client Data Enso, agence immobilière de taille moyenne.

Trois effets se cumulaient. Les commerciaux contactaient plusieurs fois la même personne sous des fiches différentes, ce qui agaçait le prospect et démoralisait l'équipe. L'analyse des campagnes était faussée, donc les arbitrages budgétaires l'étaient aussi. Et les contacts recevaient le même message plusieurs fois, ce qui a fait monter les désabonnements de la newsletter.

La correction s'est faite en deux temps, et c'est l'ordre qui compte : d'abord la fusion des doublons existants, en s'appuyant sur la connaissance terrain des agents, puis la mise en place d'une détection automatique à l'entrée. Nettoyer sans traiter l'entrée aurait ramené la base au même point en un an.

Comment fiabiliser un CRM, dans quel ordre ?

1. Vérifier l'intégrité. Les champs obligatoires sont-ils remplis, les formats respectés, les valeurs cohérentes entre elles ? C'est le diagnostic, et il conditionne tout le reste.
2. Dédupliquer et fusionner. Identifier les fiches qui désignent la même entité, puis décider champ par champ ce qui survit. Voir la déduplication et la règle de merge et purge.
3. Normaliser. Mettre les adresses, les téléphones et les raisons sociales au même format, sans quoi les doublons se reformeront, faute de pouvoir être rapprochés.
4. Contrôler à la saisie. Poser la validation sur tous les points d'entrée, y compris les imports de fichiers et les formulaires de partenaires, que l'on oublie systématiquement.
5. Auditer périodiquement. Rejouer le diagnostic à intervalle fixe donne la vitesse réelle de dégradation, donc le rythme d'entretien nécessaire.

Qu'est-ce que le data quality management ?

C'est le nom donné à ce dispositif quand il devient permanent plutôt que ponctuel. Le data quality management regroupe les pratiques qui maintiennent la qualité des données dans la durée, autour de quatre composantes : l'exactitude, la complétude, la conformité aux réglementations applicables, et la fiabilité, entendue comme la cohérence des mêmes données entre les systèmes.

La différence avec un chantier de nettoyage tient en une phrase : un chantier améliore un état, un dispositif maintient un niveau.

Qui doit être impliqué ?

Tous les services qui écrivent dans la base, pas seulement celui qui en a la charge. Un CRM se dégrade là où les règles de saisie ne sont pas partagées : les ventes, le marketing, le support et l'administration des ventes y écrivent, souvent avec des conventions différentes. Une règle connue d'un seul service ne protège rien.

Par où commencer ?

Par la mesure. Connaître le taux de doublons du stock avant d'acheter un outil évite deux erreurs symétriques : surdimensionner un dispositif pour un problème marginal, ou lancer un nettoyage manuel sur un volume qui le rend impossible.

Pour aller plus loin, voir fiabiliser ses données clients, pourquoi qualifier sa base, et la Single Customer View, qui est l'aboutissement de cette démarche.