Satisfaction client : prédire et guérir

Publié par le - mis à jour à
Satisfaction client : prédire et guérir

En capitalisant notamment sur l'historique des retours clients collectés grâce aux solutions de feedback management, des modèles statistiques peuvent prédire, avec un degré de fiabilité élevé, le niveau de satisfaction des clients qui n'auraient pas déposé de feedback.

  • Imprimer

Anticiper les risques d'insatisfaction client à l'aide d'algorithmes de prédiction ? Orange avait ouvert la voie en 2014 en se servant des données météorologiques croisées avec des données clients pour anticiper le foudroiement de ses box.

Au-delà de cet exemple, la data science prend une place accrue dans l'univers de la relation client, comme en témoigne l'essor des chatbots. Beaucoup d'entreprises se dotent aussi d'outils analysant les conversations clients pour permettre d'améliorer le discours des conseillers (le plus souvent " à froid ", mais le temps réel est déjà à portée de main).

Cet engouement ne doit cependant pas éclipser d'autres applications tout aussi bénéfiques pour les entreprises. Alors qu'elle utilise des techniques analytiques plus matures, l'analyse prédictive de la satisfaction client jouit d'une exposition plus faible. La compagnie sud-américaine Easy Taxi fait partie des pionnières dans ce domaine. Depuis 2016, elle a doté ses équipes de service client d'un outil de scoring qui apparaît sur l'écran de l'agent en face de chaque interaction. Ce score de prédiction permet d'anticiper le risque d'insatisfaction client en amont pour traiter les interactions les plus négatives, entrer en contact proactivement avec le client et proposer, le cas échéant, une compensation. L'utilisation de cette solution permet notamment d'éviter la propagation de l'insatisfaction du client sur les plateformes sociales. Cette prédiction mobilise trois sources de données principales : des données d'usage du service Easy Taxi (temps d'attente, durée de la course, prix...), des données sur la satisfaction client (notes de satisfaction, tonalité des messages, présence de commentaires...) et des données sur l'activité du service client (qualité de service).

L'avis de Vincent Placer, directeur associé de Colorado Conseil

Au sein de la gestion des feedback clients, les processus dits " close the loop " permettent aux marques de corriger l'insatisfaction vécue et d'enrichir la relation avec leurs clients. Mais ces solutions se heurtent à un challenge : même pour les dispositifs les plus performants, le taux de collecte d'avis dépasse difficilement 20% des clients. Si la propension à répondre augmente avec l'insatisfaction, il est impossible que 100% des clients les plus insatisfaits aient exprimé leur ressenti à chaud.

À partir de l'historique des données de satisfaction collectées et des données déjà présentes dans la plupart des CRM actuels, construire un score prédictif sur le niveau de satisfaction perçu mobilise des techniques statistiques éprouvées, identiques à celles utilisées pour construire des scores d'appétence ou d'attrition dans les industries de service, Télécoms en tête.

Déployer de tels modèles permettrait de déclencher un contact proactif sur des clients ne s'étant pas exprimés, mais dont l'entreprise suspecte qu'ils pourraient ne pas avoir été satisfaits. À la considération de la marque s'ajouterait donc la surprise d'avoir été contacté sans avoir même manifesté son mécontentement.

Vincent Placer, directeur associé de Colorado Conseil

La rédaction vous recommande

Sur le même sujet