Données non structurées : une mine d’or pour piloter l’expérience client
Comprendre les besoins et les émotions des clients est essentiel pour proposer aux consommateurs l’expérience qu’ils attendent. Pourtant, la majorité des programmes VoC (recueil de la voix du client) est fondée sur la collecte de données structurées provenant de sources maîtrisées par l’entreprise, telles que les enquêtes clients. Les marques se privent ainsi d’une mine d’informations contenues dans les conversations quotidiennes qu’elles ont avec leurs clients sur le digital.
Pour Gartner, 80 % des données d’une entreprise sont des données non structurées. Elles proviennent des e-mails, des messages publiés sur les réseaux sociaux ou des échanges par chat. En d’autres termes, les programmes VoC n’exploitent que 20 % des informations disponibles ce qui montre les limites des approches actuelles des programmes "Voix du Client". Les données structurées par ailleurs principalement quantitatives ; comme les indicateurs de satisfaction client (IRC, CSAT, CES, LTR, NPS, etc). Ils ne permettent pas d’identifier les raisons pour lesquelles un client pense et agit d’une certaine façon. Les marques ont ainsi une vision incomplète de la voix du client et adoptent encore trop souvent une approche centrée sur elles-mêmes en contrôlant la collecte des feedback a posteriori. Elles laissent alors de côté les expressions spontanées de leurs clients concernant l’expérience réellement vécue tout au long du parcours client online et offline.
Les organisations font face à trois difficultés majeures pour analyser les données non structurées :
- Il est difficile d’accéder aux données non structurées, car elles sont éparpillées sur plusieurs systèmes (comme les e-mails) et sur des plateformes qui échappent à leur contrôle direct, à l’exemple des réseaux sociaux.
- Analyser manuellement les données non structurées nécessite énormément de ressources.
- Tirer des conclusions à partir de données qualitatives non structurées requiert de l’expertise et du temps et la fiabilité des analyses n’est pas toujours au rendez-vous.
Pourant, et c'est une bonne nouvelle pour les marques, les dernières technologies d’IA apportent des solutions concrètes pour les surmonter :
- Les outils de Text Analytics permettent d’automatiser l’analyse des données non structurées à des fins d’interprétation.
- Le traitement automatique du langage naturel (TALN) permet de réaliser une analyse sémantique afin de comprendre le contexte d’un message et les opinions véhiculées. Ces systèmes sont capables de comprendre la différence entre des mots qui ont plusieurs sens en analysant le contexte (par exemple, une souris est à la fois un rongeur et un périphérique d’ordinateur) mais aussi de détecter les sentiments et les émotions.
- Le machine learning regroupe automatiquement les énoncés pertinents pour fournir une vision globale des thématiques et des sujets abordés par les clients.
Une fois cette analyse réalisée, il devient possible de comprendre les raisons profondes de la satisfaction comme de l’insatisfaction client et d’aller au-delà des informations de base (qui, quoi, quand et où) pour aller chercher le pourquoi : pourquoi le client se comporte-t- il ainsi ? Pourquoi mon risque de churn augmente-t- il ainsi ? Pourquoi mes clients sont-ils en colère ? En recueillant cette intelligence client, les marques peuvent identifier les problèmes et les opportunités sur tout le parcours client, puis mettre en place les réponses et les changements nécessaires pour améliorer l’expérience client. Cette démarche crée de nouvelles sources de revenus et témoigne d’une volonté de compréhension des attentes et des besoins des clients, quel que soit le canal utilisé et à toutes les étapes du parcours, sans obliger les consommateurs à répondre à des enquêtes. Vous démontrez que vous êtes une marque ouverte et transparente qui place le client au centre de ses priorités.
Alors que les attentes des clients ne cessent de croître, il est indispensable que les programmes d’expérience client reposent sur des informations les plus complètes possibles. C’est pourquoi les marques doivent veiller à analyser aussi bien les données non structurées que les données structurées afin d’utiliser tout le potentiel de l’intelligence client.
