Aller au contenu principal

#Marketing & Customer experience #Machine Learning

IA et Ecoute clients : le NPS est-il dépassé ?

IA & Social listening : l’analyse continue des commentaires clients en ligne : la clé d’une expérience sécurisée et au plus près des besoins clients

Alors que de nombreux commerces et agences gèrent leur réouverture dans le contexte post-COVID,, les préoccupations sanitaires et l’enjeu de la satisfaction client sont plus que jamais au coeur des préoccupations des entreprises. En effet, il s’agit non seulement de passer avec succès l’épreuve de la réouverture en répondant aux attentes clients en matière d’hygiène, de gestes barrière, de mise à disposition sécurisée des produits et services ; mais également de rattraper une partie du manque à gagner lié à la période du confinement. 

Détecter rapidement les risques sanitaires, effectuer une veille continue des leviers de satisfaction et d’insatisfaction client, analyser l’impact des mesures prises ; ce sont autant d’actions pour lesquelles la datascience permet d’accélérer le traitement et de répondre en quasi temps réel, là où les baromètres classiques trouvent leurs limites.  

Notre équipe Datascience Sia Partners a développé une solution d’Intelligence Artificielle (IA) permettant de collecter, d’analyser et de suivre le niveau et les causes de satisfaction/insatisfaction client, de les comparer au sein d’une même marque entre plusieurs points de vente, ou avec la concurrence, et de construire de nouveaux indicateurs de la performance de l’entreprise en termes d’expérience client. Une manière de faire évoluer l’écoute client et son impact sur les offres et processus de l'entreprise sans sur-solliciter le client avec de multiples enquêtes. Cette solution permet également de détecter les signaux faibles (ex : les risques sanitaires dans les commerces de bouche et les nouvelles attentes des clients en matière de prévention).

L’apport de l’IA comme source de retours client

Avant tout programme de transformation de l’expérience client, il est crucial pour les entreprises d’offrir à minima 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 ». Ceci était traditionnellement fait dans les entreprises par des enquêtes à chaud ou à froid, qui permettaient notamment de calculer un score de NPS (Net Promoter Score). 

[Le NPS est un indicateur qui reflète la propension d’un client à promouvoir la marque ou le service, en fonction de sa réponse à 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 attribué une note de 0 à 6 sont des détracteurs, 7 à 8 : neutres, de 9 à 10 : promoteurs. Le NPS se calcule en soustrayant le pourcentage de détracteurs à celui des promoteurs]  

De fait, ces questionnaires sont un moyen efficace d’obtenir des indicateurs sur la qualité de l’expérience client et de collecter des verbatim. Ils s’ajoutent aux baromètres de satisfaction, à l’analyse des motifs de réclamations, aux feedbacks internes collectés par l’entreprise.

Convaincus que l’open data pouvait apporter une plus-value importante à l’écoute client, notre équipe de Datascience a développé une solution qui capitalise sur les avis clients en ligne, offrant la possibilité de recueillir des avis client spontanés et à grande échelle. 

En effet, le nombre de commentaires augmentant de manière exponentielle pour tous les réseaux de distribution, cet outil permet une évaluation en direct des marques, services et produits proposés à différentes mailles: générale, produit, service, personnel, organisation, opérations, etc. ; ainsi qu’une comparaison de leur performance (sur une zone géographique donnée, au niveau du réseau, avec la concurrence, etc.). Ces avis clients croisés à notre IA et aux différentes fonctionnalités de l’outil peuvent ainsi être utilisés comme moteur pour l’amélioration continue de l’expérience client et l’innovation, et ce à plusieurs niveaux. 

Les différents niveaux d’analyse nous permettent notamment de traiter les points de douleur de l’expérience client à la maille d’une agence.  

Customer reviews - AI solution Deep Review - NLP & Sentiment analysis

Cet outil permet non seulement une mesure précise et temps réel de la satisfaction client sur les thèmes suivis par l’entreprise, mais également de faire ressortir des signaux faibles sur des thèmes non suivis par l’entreprise. Cette fonctionnalité s’inscrit dans notre chantier “Consulting for Good” pour une IA au service de la détection de risques éthiques et d’attitude non appropriées des employés et entreprises. C’est ainsi que l’analyse des verbatims peut faire apparaître des problématiques d’accessibilité, ou encore de discriminations en agence par exemple. 

Cette analyse permet également de mettre en lumière des points d’amélioration qui doivent, de part leur caractère urgent, être pris en compte : cela peut-être le cas d’avis portant sur le comportement d’un employé ou sur le propreté de l’agence. En les détectant rapidement et facilement, il est ainsi possible de les corriger immédiatement et d’avoir un impact significatif sur la satisfaction des clients. 

L’Intelligence Artificielle intervient alors à plusieurs niveau de l’écoute client : 

  • En amont sur l’obtention de l’information, la finesse de l’analyse et de l’interprétation. 
  • Sur la préparation des actions de remédiation au service de l’amélioration de l’expérience client. Le Machine Learning permet en effet de corréler Point de douleur et action correctrice pour prédire l’impact de la mesure prise sur le NPS. A force de test, l’IA doit permettre de définir la bonne combinaison d’actions correctrices à mettre en place en fonction de l’occurrence des points de douleur. Cette fonctionnalité proposée par la solution Sia Partners et à co-construire avec les donnée de notre client permet de définir des chantiers d’amélioration de l’expérience client plus pertinents et précis.   
  • En aval sur la mesure des actions correctives sur la satisfaction client 
Dashboard Deep Review AI solution

Mieux comprendre les pain points, leurs causes et leur coût en termes de satisfaction client  

L’expérience client restera le principal différenciateur des marques, devant le prix ou le produit. Les études pour supporter cette thèse se succèdent depuis plusieurs années déjà. Une étude menée par American Express nous apprend par exemple que le consommateur moyen est prêt à payer jusqu’à 14% plus cher pour un meilleur service en magasin. Cela met en lumière le véritable intérêt business de mettre l’expérience au coeur des préoccupations. 

En sus des aspects de sécurité liés à la période de déconfinement, Sia Partners et Potloc ont  a mené une étude en Avril 2020 auprès de 100 000 français pour mieux comprendre l’impact de la crise Covid-19 sur leurs attentes vis-à-vis des marques : 

Si le digital et le phygital ont été les stars de ces dernières années pour leurs solutions originales apportées à ces “must have” de l’expérience, et alors qu’on ne cessait de leurs prédire une mort lente et douloureuse, les magasins physiques demeurent pourtant toujours aussi attractifs, d’autant qu’ils se réinventent. En misant sur les innovations autour de l’expérience, en utilisant l’émotion comme levier d'attraction, ils retrouvent leurs lettres de noblesse auprès de consommateurs, parfois désabusés par les outils de self-care. 

Toutefois, s’il s’agit d’une tendance pertinente lorsqu’on évoque les FMCG, les enseignes de prêt à porter, les boutiques de luxe, etc., elle l’est sans doute un peu moins si l’on se tourne vers les agences bancaires, les bureaux de poste, les agences de location de véhicule, etc. 

La plupart des analyses de satisfaction client se contentent de suivre l’évolution de la note NPS selon un seul axe : dans le temps, par région. Nous avons choisi d’aller plus loin en croisant des variables sociales, démographiques, géographiques, cadastrales, etc. pour identifier les facteurs influençant la note et les commentaires clients.

Pour cela, notre outil se fonde sur du Natural Language Processing (NLP), permettant l’analyse et le traitement automatique des contenus textuels et d’en tirer les informations nécessaires. 

Le NLP nous permet ainsi de : 

  • Regrouper les commentaires par thématique
  • D’isoler les points de douleur, et de qualifier l’étendue du problème grâce à leur fréquence dans les commentaires 
  • De faire ressortir les facteurs subjectifs (ressenti client) et objectifs influençant la satisfaction globale. 
  • De faire parler les données en les corrélant avec des données socio-économiques, géographiques, météo, d’agenda de l’entreprise pour remonter aux causes racine de chaque pain point
Identification of key themes impacting customer experience

Nos data scientists ont développé des algorithmes de modélisation de la note liée aux commentaires client pour chiffrer précisément l’impact de chaque variable sur la satisfaction client. En sortie, il est donc possible de consulter les différents motifs et facteurs de satisfaction / insatisfaction. 

Ce type d’approche nous permet de déterminer le « coût sur la satisfaction » de chacun des pain points 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 l’analyse des causes racines)

Agir sur la satisfaction et l’efficacité opérationnelle  

En corrélant ces données avec celles des référentiels traditionnels (CRM, CEM…), la data science fait ressortir des tendances objectives et quantifiées qui viennent orienter les choix stratégiques de l’entreprise.

L’IA permet : 

  • de mesurer les évolutions en fonction des actions prises par l’entreprise. 
  • de comparer les résultats des forces commerciales en fonction des retours client sur leur portefeuille d’agences / points de vente. 
  • de favoriser le partage de bonnes pratiques au sein du réseau de distribution. 

L’IA permet d’accélérer l’analyse des comportements et des besoins des clients, une aubaine pour les marques qui peuvent s’armer de ces informations quasi temps réel pour créer un lien de proximité plus fort avec le consommateur et pour optimiser les performances de leur réseau physique. 

La connaissance fine du client est par exemple ce qui permet à UMPQA Bank de proposer une expérience en agence différente et valorisée par le client : un chantier qui se traduit par une redéfinition du métier des conseillers de clientèle et une refonte radicale de la fonction donnée à l’agence bancaire. Et cela fonctionne, puisque l'affinité avec la marque, la satisfaction des clients et le chiffre d'affaires ont augmenté de façon significative. 

Une fois les points faibles de l'expérience client identifiés (ces pain points viennent enrichir une bibliothèque de causes d'attrition maintenue par notre practice Customer Experience).

Sia Partners accompagne ses clients sur la résolution des principaux défis à relever pour offrir une expérience client supérieure et différenciante et ainsi limiter le churn, coûteux à tous les plans pour les entreprises. 

Notre solution d‘IA permet de définir les actions à mener pour remédier aux pain points identifiés à partir d’une bibliothèque d’actions correctives établie par notre practice Customer Experience (training CSR, soft skills, réaménagement agence, horaires aménagées, comportement installateur, traitement des retours, etc.). En effet, une bonne gestion des insatisfactions clients permet aujourd’hui de fidéliser à nouveau jusqu’à 70% des clients mécontents, et donc d’améliorer de façon significative votre relation client (Source : LeeRessources).

Et demain ? Vers un NPS prédictif

L’intelligence artificielle permet de développer des capacités analytiques pour construire le “NPS prédictif”, qui offre plusieurs cas d’usage :

  • Tout d’abord, l’IA permet d’analyser, de comprendre et de prédire les caractéristiques des profils des clients. Sans envoyer d’enquête à un nouveau client, il sera ainsi possible de prédire les drivers les plus importants de sa satisfaction et de prédire quel aurait été son statut (Promoteur, Neutre ou Détracteur), sur base des réponses d’autres clients aux profils similaires ou “lookalikes”. Cette connaissance des drivers critiques de la satisfaction doit guider la priorisation des plans d’actions pour corriger les irritants. Par ailleurs, cela permet d’éviter de sur-solliciter les clients avec des enquêtes et de mieux gérer la pression Marketing.
  • Une fois que l’IA a détecté à quel profil un client ressemblait, il devient possible de prédire son comportement. Ainsi, si un client a répondu à une enquête NPS comme Détracteur, alors l’IA peut alerter l’entreprise que des clients lookalikes présentent le risque d’être devenus des Détracteurs, et ce, avant même qu’ils n’aient répondu à une enquête. Au-delà de la détection proactive des risques, le NPS prédictif permet donc de détecter les Détracteurs passifs, qui n’expriment pas leur mécontentement mais présentent pourtant un fort risque de churn.
  • Enfin, lorsqu’un client manifeste son insatisfaction ou que des irritants sont détectés, l’IA peut prédire le meilleur plan d’actions qui optimise les chances de corriger l’irritant et de re-satisfaire le client.

Certaines entreprises ont déjà commencé à utiliser le prédictif : c’est le cas du concurrent chinois de Uber - Didi.  Très avancé dans l’analyse du contexte, l’entreprise n’interroge plus ses utilisateurs pour connaître leur note de satisfaction. Cette note est automatiquement calculée en fonction du temps de trajet, des retards et de la connaissance qu’à Didi du client. L’analyse prédictive est ici utilisée pour déterminer la satisfaction sur 100% des courses.

Pour réussir à mettre en place ces cas d’usage, les entreprises doivent développer des capacités analytiques fortes :

  • Tout d’abord, les entreprises doivent développer des quick-wins d’efficacité opérationnelle par canal : simplifier et automatiser les processus, optimiser l’orientation des clients selon leur profil et leur motif de contact vers le canal optimal, dont le selfcare.
  • Ensuite, les entreprises doivent développer des capacités à plus long terme pour construire une vision cross-canal et anticiper les changements : collecter les feedbacks clients sur les différents canaux et les consolider, analyser les épisodes critiques au cours des parcours clients avec les irritants et leurs causes sous-jacentes, intégrer la connaissance client issue des enquêtes dans les outils et processus CRM, mettre en place un modèle opérationnel agile pour piloter la satisfaction client. 

Nos équipes Marketing & Expérience Client et Datascience accompagnent de nombreux Grands Comptes dans la mise en place de programmes d’industrialisation de la satisfaction, et seront à même de vous accompagner dans la mise en oeuvre de solutions innovantes générant des résultats mesurables.  

#Marketing & Customer experience #Machine Learning

A Twitter vision on the campaign for the mayor of Paris
#Government #Data Capture #Deep Learning #Machine Learning

La course pour la mairie de Paris vue depuis Twitter

Foot_img

Dénicher les stars du football de demain via l'intelligence artificielle

Industrialisation de projets Data Science

Data Science : Comment dépasser le stade du POC?