Les 7 points clés à retenir pour aborder le Data management de données clients avec sérénité

sudoku2

Le data management de données clients

Le Data management consiste à rapprocher des données, soit stockées dans les Systèmes d’Information de l’entreprise, soit provenant de sources externes à l’entreprise afin accroître leur valeur.

Les principaux objectifs recherchés sont de mieux gérer la relation client et d’augmenter la performance commerciale.

  • Je peux par exemple, croiser ma base de données des contrats avec celle des clients pour savoir comment se répartissent mes contrats par typologie de client (répartition par CA, marge, taille d’entreprise, marché, localisation géographique…) ; toutes les entreprises le font.
  • Je peux envisager de croiser ces deux bases de données avec celle des entreprises françaises pour identifier qui sont mes prospects, où ils se situent et les positionner sur une carte pour organiser ma force de vente, mon outil de production ou connaître mes parts de marché ; cette pratique est déjà moins courante !
  • Je peux « siretiser » (affecter un numéro SIRET ou SIREN) ma base de comptes clients avec une base externe pour avoir une mise à jour des données groupe à chaque fusion / acquisition / vente ou encore avoir une note financière de l’entreprise cliente avant de contractualiser avec elle ; la culture du traitement automatisé des données à ce niveau est déjà bien développée.
  • Je peux faire du « prédictif » ; Je caractérise mes clients, je trouve des bases externes de prospects qui utilisent ces caractéristiques et je cible les prospects dont les caractéristiques sont proches de celles de mes clients. On est dans le top de ce qui se fait aujourd’hui en entreprise (Les avancées technologiques issues de la transformation digitale pourraient demain vulgariser cette pratique).

 

Les prérequis du data management

Pour valoriser ces données, il est nécessaire de s’assurer des conditions suivantes :

  • Le contenu (les données) et le contenant (la structure de chacun des fichiers) doivent être de qualité (normalisation de la saisie, taux de complétion…),
  • Les fichiers à croiser utilisent des référentiels communs : identifiant d’une entreprise (Siren), nomenclature d’activité, de produits, de marché,…
  • Vos outils sont puissants pour traiter la data (base de données de type MySQL…),
  • Vous avez de la méthode et du savoir-faire pour :
    • Bien faire (fiabilité),
    • Faire vite (coût),
    • Que le résultat crée de la valeur (pertinence),
    • Que cela soit pérenne (reproductibilité).

 

Qui doit s’impliquer dans le data management ?

  • Les Directions Métiers
    • En définissant ses besoins en termes de tableaux de bord, graphiques, statistiques courantes et en validant la qualité des données et des résultats qui découlent de leur traitement.
    • En validant la cohérence, lors de la consolidation de données issues de plusieurs centres de profit qui n’ont pas de système d’information centralisé.
    • En garantissant la pertinence des résultats des traitements de masse des données lors d’un changement d’offre, de business model économique…
    • En cherchant à augmenter sa performance industrielle, économique et commerciale en croisant des données internes avec des bases externes.
  • Avec celle de la Direction Générale
    • A la mise en place d’un MDM (Master Data Management).
    • Lors d’une fusion / acquisition pour rapprocher des données des systèmes d’information (SI) hétérogènes.
    • Lorsque l’on veut rapprocher la vision financière de l’entreprise (DAF) de la vision client (Direction marketing commerciale) pour définir puis décliner sa stratégie.
    • Quand le data management participe à revoir le business model économique de l’organisation pour rester compétitive.
    • En somme, quand les référentiels des sachants métiers ne sont plus suffisants pour garantir la pertinence des résultats et que les décisions à prendre sont critiques.

Celui qui détient l’information a le pouvoir ; y compris, celui de prendre les mauvaises décisions au regard d’informations erronées !

Aujourd’hui, je constate que beaucoup de mes clients sont mal informés :

  • Leurs données consolidées ne sont pas fiables,
  • Ils sont sous-informés parce que leur entreprise ne peut pas utiliser la puissance de leur patrimoine data.

 

Les 7 points clés à retenir pour aborder le Data management avec sérénité

1) Partez du principe que les données de vos systèmes d’information (comme celles des bases externes) sont probablement d’une qualité médiocre. Deux principales raisons à cela :

  • La qualité de la donnée saisie est souvent faible,
  • La donnée que l’on saisit peut être fiable à un instant T et perdre de la valeur avec le temps (évolution de l’environnement, de ce qui la caractérise).

2) Attachez-vous à ce qui a de la valeur pour votre entreprise :

  • Pour définir votre besoin auprès des acteurs du processus (Croiser les données pour obtenir les états de sortie souhaités : tri simple, tri croisé, cube, hyper cube…),
  • Pour savoir quelles données permettront de satisfaire les axes d’analyse recherchés,
  • Pour préciser la nature, la quantité de travail à réaliser, son délai de mise en œuvre (On peut faire le choix de tout traiter ou de se focaliser sur les 20/80 qui créent de la valeur pour l’entreprise).

3) Identifiez les sources internes, externes de données disponibles / utilisées et la nature des référentiels qui les lient.

4) De la même manière, identifiez les données pertinentes de celles qui ne le sont pas ou peu ; tout n’est jamais bon mais tout n’est jamais mauvais !

5) Construisez une solution de mise en œuvre pérenne car, dans bien des cas, il faudra refaire le traitement chaque année :

  • Listez les référentiels de données existants et identifiez ceux à créer,
  • Vérifiez les tables de ces référentiels de données (Avec le temps, un référentiel est souvent pollué, ou les évolutions technologiques font disparaître des valeurs et en font apparaître de nouvelles),
  • Pensez à mettre à jour les données relatives aux référentiels revisités.

6) Mettez un système de contrôle qualitatif strict tout au long du traitement des données :

  • Compromettre les données et, par conséquence, l’analyse qui en découlera est bien plus simple que vous ne l’imaginez,
  • Un processus de traitement itératif permet de revenir à des étapes précédentes en cas de doute ou d’erreur,
  • Un processus de mesure de la qualité garantit la fiabilité du traitement des données, garantit la pertinence du résultat obtenu et vous permettra d’expliquer les résultats.

7) Enfin, n’oubliez pas de vous armer de patience et de conviction.
Les résultats obtenus, lorsque l’on traite de la donnée en masse, vont souvent à l’encontre de certitudes, d’intuitions ou de vérités à ne pas dire… ou à dire avec diplomatie !

 

Ecrire une Réponse