Selon une étude Walker, en 2020 l’expérience client sera le principal différenciateur des marques, devant le prix ou le produit.
Mais avant de s’engager dans une transformation profonde, les entreprises doivent à minima offrir un service de qualité. Le premier niveau de maturité du management de l’expérience client est, selon Forrester, de « réparer l’expérience ». Il s’agit d’adopter « les bonnes pratiques qui conduisent à identifier, réparer l’expérience et mesurer les résultats ».
Forrester – Les 4 niveaux de maturité de l’expérience client
Les questionnaires sont un moyen efficace d’obtenir des indicateurs de la qualité de l’expérience client tels que le NPS … et de collecter des verbatim (commentaires en texte libre). En recoupant ces données avec celles des référentiels traditionnels (CRM, achats…), la data science fait ressortir des tendances objectives et quantifiées qui viennent orienter les choix stratégiques de l’entreprise.
Le Net Promoter Score (NPS) est un indicateur de la propension d’un client à promouvoir la marque ou le service. A la question suivante :
« Sur une échelle de 0 à 10, quelle est la probabilité que vous recommandiez ce produit ou ce service à un ami ? »
Les clients ayant notés de 0 à 6 sont des détracteurs, 7 à 8 : neutres, de 9 à 10 : promoteurs.
LE NPS se calcule alors de la façon suivante :
NPS = %Promoteurs – % Détracteurs
Pour le compte d’un de ses clients grands comptes dans le secteur de l’énergie, weave Data a réalisé une analyse détaillée de millions de verbatim. L’objectif principal était de déterminer les facteurs subjectifs (ressenti client) et objectifs influençant la satisfaction globale afin de dégager un plan d’action priorisé de l’amélioration du service.
Pour mener à bien cette étude, nous nous sommes appuyés sur un historique de questionnaires post-intervention, que nous avons re-contextualisé aussi bien au niveau des caractéristiques de l’intervention que de celles du client. Cela nous a permis de mieux comprendre la relation entre ce dernier et l’entreprise.
En particulier, nous nous sommes intéressés aux aspects suivants de la problématique :
- A l’aide du NLP (Natural Language Processing), nous avons déterminé les principaux points de douleur du client remontés à travers les champs libres du questionnaire,
- Nous avons analysé la note NPS en croisant les retours et les données utilisateurs anonymisées afin de remonter aux causes racines des divers dysfonctionnements,
- Enfin, nous avons établi un modèle mathématique de la note NPS afin de quantifier l’impact de chaque point de douleur.
L’IA pour déterminer les points de douleur
Le client souhaite aujourd’hui comparer les offres, arrêter puis reprendre ses achats lorsqu’il le souhaite, avoir le choix. Face à ce phénomène, il est alors difficile de reconstruire son parcours de manière fidèle.
Une façon de palier à ce problème est d’analyser massivement les verbatim. Ils contiennent la description du parcours retranscrit par le client lui-même ainsi que les points de douleur associés. Les techniques d’intelligence artificielle de NLP (ou TAL : traitement automatique du langage) sont ainsi mises à contribution pour regrouper les commentaires par thématique. Les painpoints (points de douleur) peuvent donc être identifiés, tandis que leur fréquence indique l’étendue du problème.
Regroupement des verbatim par thématique grâce au NLP et au machine learning (algorithmes de clustering)
Fouiller les données pour remonter aux causes racines de chaque painpoint
La plupart des analyses marketing se contentent de suivre l’évolution de la note NPS selon un seul axe : dans le temps, par région. Pour aller plus loin, il faut croiser des centaines de variables pour identifier les facteurs influençant la note.
Dans le cas de notre prestation, nous avons pu réaliser des analyses différentielles du NPS par ville, typologie de clients, contrat, nature des équipements… Notre approche a consisté à mesurer le nombre de détracteurs/promoteurs/neutres pour différents painpoints, puis de relever les disparités de ces populations par rapport à la moyenne.
Certains verbatim indiquent de manière subjective le sentiment et le symptôme d’un problème rencontré par le client. Il n’indique en revanche pas la cause objective du dysfonctionnement. Pour la retrouver, il faut croiser les données selon plusieurs axes pour identifier des corrélations pertinentes. Par exemple, les travaux ont montré que le « problème de compétence du technicien » était fortement corrélé à certaines marques d’appareil. Après consultation des métiers, il a été vérifié que ces marques d’appareil posaient une plus grande difficulté de réparation que la normale.
Un modèle qui mesure le coût des painpoints sur la satisfaction
Sur la base de l’étude précédente, nos data scientists ont implémenté des algorithmes de modélisation de la note NPS. Ces algorithmes ont la capacité de chiffrer précisément l’impact de chaque variable sur la satisfaction client. En sortie, il est donc possible de savoir de combien de points la note NPS varie selon l’activation ou non de certains facteurs.
Un exemple hypothétique de l’impact quantifié de l’expérience sur la note NPS : un client qui se plaint de la prise de rendez-vous aura une note NPS inférieure en moyenne de 1.5 point par rapport à quelqu’un qui n’évoque pas ce problème.
Ce type d’approche détermine ainsi le « coût sur la satisfaction » de chacun des painpoints mais aussi les potentiels gains obtenus en cas de résolution. Il est ainsi possible de prioriser les actions à entreprendre afin de résoudre d’abord les points les plus problématiques. En reprenant l’ensemble des travaux, l’élaboration d’un plan d’actions priorisé doit considérer les aspects suivants :
• Les dysfonctionnements les plus problématiques (grâce à notre modèle)
• Les coûts et moyens à mettre en œuvre pour leur résolution (via à l’analyse des causes racines)
En conclusion, nous avons utilisé des techniques d’intelligence artificielle qui pondèrent l’impact de chaque point de douleur sur la note NPS, afin d’établir des priorités sur les actions à mener. Combinée avec l’analyse des causes racines des dysfonctionnements, cette approche a permis d’établir un plan d’actions priorisé pour l’amélioration de la satisfaction client.
Références
(1) Walter Information, Customer Experience 2020
(2) Griffin & Hauser (1993), “Voice of the customer”, MIT Press
(3) Reichheld, Frederick K. (December 2003), “One Number You Need to Grow”, Harvard Business Review
