Comme nous le constatons durant les témoignages virtuels disponibles sur le Hub re:Imagine de Medallia, l’expérience client est un processus continu difficile de cantonner aux seules données émanant d’enquêtes ou d’interactions ponctuelles avec l’entreprise. Pour une vision holistique, il est nécessaire de considérer tous les indicateurs possibles.
Le feedback direct est une partie importante de la compréhension de l’expérience client pour les marques. Malheureusement, il n’existe aucun moyen de s’assurer que chaque client réponde à une enquête ou laisse un avis. En outre, les clients sont plus susceptibles de fournir un retour d’information s’ils ont vécu une expérience particulièrement bonne ou mauvaise. Cette partie visible de l’iceberg donne un certain poids aux résultats du NPS® et la perception globale de l’expérience client d’une entreprise.
Le feedback direct est indéniablement un moyen par lequel les chefs d’équipe peuvent en apprendre davantage sur l’expérience de leurs clients. Or pour obtenir une vision vraiment complète et à 360 degrés de cette dernière, les entreprises doivent utiliser la technologie pour prédire la partie cachée de l’iceberg, l’expérience client « invisible ».
La collecte de données
La business intelligence est clé pour la réussite d’une entreprise, les informations exploitables issues de l’analyse des données permettant de prendre de meilleures décisions dans tous les domaines. Les entreprises peuvent utiliser le même processus d’analyse pour prévoir l’expérience invisible des clients.
Le feedback direct des clients n’est que l’un des points de repères pour mesurer l’expérience client d’une société. Les données d’expérience peuvent et doivent être collectées à partir de toutes sortes de sources, y compris les feedbacks indirects tels que les réseaux sociaux, les feedbacks employés et les feedbacks inférés, tels que les données de parcours de navigation et les taux de conversion. Il est important de suivre ces données si nous voulons obtenir une perception vraiment globale de l’expérience du client.
Du point de vue du client, tout retour d’information qu’il fournit ne se rapporte pas simplement à une question ponctuelle. Il ne représente qu’une partie d’une relation plus large et continue. Les entreprises doivent le prendre cela en compte. Non seulement il est plus coûteux d’acquérir de nouveaux clients que de les conserver, mais les clients actuels sont plus susceptibles de dépenser davantage avec une marque s’ils ont déjà eu des contacts avec celle-ci.
Un autre élément à évaluer lorsque l’on cherche à optimiser l’expérience client : le taux d’attrition. Il ne s’agit peut-être pas de la mesure la plus positive, mais il serait inutile d’essayer de mesurer le succès opérationnel sans chercher à comprendre les cas d’échec. Pour ce faire, il est essentiel de recueillir des données omnicanales. En ne s’appuyant que sur un ou deux canaux, vous limitez la précision et la profondeur de votre connaissance du client, et vous risquez de limiter l’engagement du client à des moments ponctuels au lieu de le suivre tout au long de son parcours. Toutefois, en recueillant des données auprès de plusieurs sources, vous pouvez utiliser ces informations avec précision pour rectifier la situation.
Former le modèle
L’étape suivante de ce processus consiste à combiner toutes ces données et à les utiliser pour prévoir l’expérience globale du client en recherchant des schémas. Les données opérationnelles peuvent être assemblées avec les données expérientielles pour construire un modèle qui repère les premiers signes de problèmes tels que les détracteurs potentiels ou le taux d’attrition potentiel.
Cela peut être réalisé en mettant en place un système de type « machine learning » pour étudier les données afin de former un modèle capable d’effectuer des analyses prédictives.
La qualité des données avec lesquelles le modèle est formé est un élément clé. Dans toute analyse prédictive, si des données de mauvaise qualité sont introduites dans un modèle, les informations révélées seront inexactes et donc sans valeur. Cela peut même nuire à l’expérience du client, car les mesures qui sont prises par la suite pour tenter de répondre aux besoins perçus des clients peuvent être inadéquates. Les données doivent être « nettoyées » pour que la formation du modèle soit réussie, en l’intégrant dans un système de collecte de données structuré et de haute qualité.
Une fois qu’il dispose des données internes, le modèle peut s’entraîner à trouver des schémas dans les données qui correspondent, par exemple, à des scores de perception spécifiques que les clients ont donnés en feedback direct, tels que le Net Promoter Score (NPS) dérivé des enquêtes. Il fonctionne donc en utilisant le machine learning pour créer des profils de clients, grâce à l’analyse de plusieurs paramètres différents, notamment les comportements, les produits, les interactions, les schémas d’utilisation et d’attitude.
L’analyse prédictive fournit des scores précis
Ces profils de clients uniques peuvent ensuite être comparés à des données internes afin de prévoir un score NPS virtuel pour la grande proportion de clients qui n’ont pas fourni de feedback direct. En utilisant l’intelligence artificielle et le machine learning pour prévoir ces scores NPS virtuels, l’analyse et les informations qui en découlent constituent un indicateur extrêmement précis du comportement futur. À chaque cycle de formation, le modèle se recycle pour identifier les variables et enrichir ses données, ce qui lui confère à chaque fois un pouvoir prédictif plus important.
L’utilisation de l’analyse prédictive offre une vision réellement holistique de l’expérience client globale, permettant aux marques d’adopter une approche plus proactive pour améliorer l’expérience client. Les entreprises peuvent ainsi prendre des décisions commerciales éclairées et centrées sur le client, comme par exemple résoudre un problème en amont afin d’éviter l’attrition de clients identifiés comme détracteurs potentiels, augmentant ainsi leurs revenus.
Par Christopher Colley, Solutions Principal, Customer Experience, Medallia
Mettez à jour votre navigateur pour afficher correctement ce site Web. Mettre à jour maintenant