Notre agence Data Quality : assurez la qualité de votre base de données

Vous entendrez peut-être aussi « qualité de la donnée », et c’est effectivement plus agréable à l’oreille française. Toutes les entreprises possèdent de la donnée sur leurs contacts. Le problème, c’est que lorsque l’on veut faire grandir son business, on est obligé de s’appuyer sur la qualité des données contenues dans la base. Et parfois, on a de mauvaises surprises…

La Data Quality, c’est donc le fait de s’intéresser à tous les mécanismes qui vont permettre de savoir si la donnée d’une base est correcte, complète, à jour… et toutes les actions que l’on peut mener pour faire perdurer cette qualité dans le temps.

Avoir des données erronées et de mauvaise qualité, c’est prendre de mauvaises décisions et faire de mauvaises campagnes marketing. C’est aussi simple que ça.

Lorsque l’on utilise ses bases de données tous les jours, on oublie vite ce qu’elles contiennent. Mais il suffit d’un mauvais taux d’ouverture pour que la thématique de la qualité de la donnée vienne se rappeler à votre bon souvenir.

Étape n° 1 : prendre une photo précise et objective de la base de données, pour se faire une idée de son état de santé et de son niveau de qualité. C’est ce que l’on appelle un audit Data Quality, et c’est ce qui permet de faire le tri entre ce qui fonctionne bien et ce qui ne va pas du tout.

L’analyse de la base de données sert à corriger différents problèmes :

• les doublons ;
• les informations manquantes (le nom, le prénom, l’e-mail, etc.) ;
• la présence d’adresses génériques (contact@…) ;
• les données obsolètes (les adresses qui n’ouvrent plus depuis longtemps en sont un bon signe) ;
• un formatage hétérogène (pour un même poste, on va avoir « directeur marketing » et « marketing director », par exemple) ;
• etc.

Commencez par télécharger notre checklist pour construire le R·O·C·H·E·R de la Data Quality.

Pour être efficace dans ses actions marketing, et donc faire en sorte qu’elles servent un réel intérêt business. Ça fait déjà une bonne raison. Ce n’est pas la seule ! Les données de qualité permettent d’avoir une idée précise de la partie de ses cibles que l’on peut raisonnablement espérer toucher, et identifier ce qu’il nous reste à acquérir.

C’est un sujet d’autant plus important que les bases encombrées de données obsolètes demandent du temps pour les mettre à jour, et de l’argent pour les faire tourner : eh oui ! Le prix des logiciels est bien souvent fonction du nombre de contacts dans la base. Et c’est sans compter les potentiels risques réglementaires que l’on encourt vis-à-vis du RGPD.

Dernier point, et pas des moindres : il est crucial de sensibiliser ses équipes à l’importance de la Data Quality. Forcément, si la donnée n’est pas bien entretenue, le chantier peut sembler titanesque et personne au sein de l’entreprise n’aura envie de s’y attaquer.

De bonnes mécaniques Data Quality et une « hygiène data » permettent de cleaner les données à un instant t mais aussi d’optimiser la gestion de la qualité des « customer data » à long terme.

Pour savoir où l’on va, il faut savoir d’où on part. Oui, on aime bien la philo. Un chantier Data Quality commence donc par un audit de l’existant. Cette étape va servir à mettre en lumière des points d’amélioration et des correctifs à mettre en place, à la fois sur la donnée que l’on possède déjà et sur celle qui viendra enrichir la base.

Eh oui ! On prend de bonnes habitudes pour faire perdurer le travail de nettoyage, en veillant à ne jamais rentrer à nouveau de la « mauvaise » donnée.

Concernant la donnée dont on dispose déjà, l’étape suivant l’audit consiste à :

• dédoublonner ;
• supprimer les contacts qui ne répondent plus ;
• enrichir les champs incomplets (manuellement ou à l’aide de systèmes d’enrichissement) ;
• formater la donnée, en particulier si on a additionné plusieurs bases (on évite la saisie libre de texte et on préfère les menus déroulants, par exemple).

Pour ce qui est de la donnée future, on va se poser plusieurs questions :

• quels sont les formulaires d’entrée de la donnée ? On évite ainsi d’encombrer la base de formulaires mal remplis – ceux où ne figure pas le numéro de téléphone, par exemple.
• quel est le Data Quality Score à suivre ?
• comment cultiver la Data Quality en interne ? Il est important pour chaque collaborateur qui touche à la donnée, de comprendre comment agir à son niveau.

Le Data Model définit la structure de la base de données. Il porte donc sur :

• les champs que l’on choisit de faire apparaître dans la base de données ;
• le type d’informations que l’on entre dans ces champs (peut-on écrire librement ou sélectionner à partir d’un menu déroulant ?) ;
• la description des champs ;
• le niveau d’importance de chaque champ, qui peut être obligatoire pour passer dans certains niveaux d’engagement avec le lead.

Le Data Model doit être le plus explicite possible pour que tous les collaborateurs qui travaillent sur la base de données stockent correctement la donnée dans le champ voulu.

À vrai dire, il y en a quand même pas mal. Ce n’est pas un chiffre assez précis pour vous ? Disons qu’il y en a trop pour tous les énumérer ici, surtout que l’on s’est déjà prêtés à l’exercice dans un comparatif de logiciels Data Quality. On en a étudié 6, parmi lesquelles Dropcontact, Insycle ou encore Clearbit.

À savoir que ces logiciels sont principalement utilisés pour faciliter la phase d’audit, enrichir et rafraîchir la base de données. On peut les utiliser dans la base de travail à froid, ou bien à chaud, selon que l’on souhaite ou non les brancher au CRM ou à l’outil de Marketing Automation.

Pour faire simple, il s’agit d’un indicateur (parfois plusieurs), qui évalue la qualité de la base de données à l’aide d’une note. Tout l’intérêt étant de voir comment cette note évolue puisqu’elle est le reflet de la qualité de la base. Désolé de vous décevoir, mais il n’existe aucune recette miracle. À vrai dire, il n’existe pas même une seule recette tout court.

Pour construire un Data Quality Score qui ait un sens, il faut, au contraire, prendre en compte un ensemble de critères :

• le nombre de champs complets (notamment ceux qui ont le plus d’importance pour votre business) ;
• le nombre de bounces (les contacts qui ne répondent plus ou qui génèrent un message d’erreur) ;
• les doublons (souvent causés par une mauvaise saisie de données).

L’important pour qu’il y ait un réel bénéfice business à la clé, c’est d’avoir mis en place les organes nécessaires au suivi pour avoir une approche clinique du lead. Même si vous ne jetez un œil au Data Quality Score que tous les six mois (personne n’est parfait).

Dans tous les domaines qui concernent Invox, que ce soit la Demand Generation, le Content Marketing ou l’Inbound Marketing, on entend par « données », toutes les données démographique liées au lead.

Ce sont celles que l’on utilise pour le contacter, e-mail et numéro de téléphone en tête. Mais il s’agit aussi de données comportementales – liées à son comportement sur le site et sur vos emails : les pages qu’il consulte, les courriers qu’il ouvre, les CTA sur lesquels il clique, etc. Bref, tout ce qui peut permettre de préciser son profil et de comprendre ses besoins.

Protection des données, règles des collectes des données… De façon générale, le B2B est assez peu impacté par les thématiques de RGPD. Mais faire de la Data Quality ne sert pas uniquement à se mettre à jour vis-à-vis de la réglementation européenne.

Mais il s’agit avant tout d’un sujet juridique, et ce n’est pas ce dont on traite ici.