Utilisation du taux de recommandation net pour permettre d’améliorer l’expérience client

by Adobe Marketing Cloud

Posted on 09-20-2013

Les sociétés cherchent con­tin­uelle­ment à amélior­er l’expérience client qu’elles offrent et à plac­er leurs clients au cœur de toutes leurs activ­ités. À cet effet, une stratégie répan­due con­siste à pren­dre en compte l’avis du client en lui deman­dant de com­menter son expéri­ence.

Cepen­dant, pour obtenir les meilleurs résul­tats d’un pro­gramme d’écoute du client, les entre­pris­es doivent veiller à pos­er la bonne ques­tion, au bon moment, d’une façon adap­tée au con­texte d’interaction de l’utilisateur. Elles doivent égale­ment s’assurer qu’elles peu­vent appli­quer les com­men­taires des clients pour amélior­er effec­tive­ment l’expérience client, c’est-à-dire que les com­men­taires des clients doivent être exploita­bles.

Au cours des douze mois, j’ai tra­vail­lé avec l’une des prin­ci­pales entre­pris­es de télé­com­mu­ni­ca­tions mon­di­ales à l’étude de leur stratégie d’écoute de la « voix du client ». L’article qui suit exam­ine les défis aux­quels nous avons été con­fron­tés dans ce pro­gramme et com­ment nous les avons relevés.

Défi 1 : pos­er la bonne ques­tion Nous con­nais­sons tous ces enquêtes web qui n’en finis­sent pas de pos­er des ques­tions. En revanche, il ne faut pas tomber dans l’autre extrême en ne posant que des ques­tions très génériques, appelant une réponse for­cé­ment vague.

Pour veiller à ne pro­pos­er que des enquêtes cour­tes, pas trop fas­ti­dieuses pour le client, nous avons util­isé le taux de recom­man­da­tion net (TRN ou NPS – Net Pro­mot­er Score), une méth­ode qui per­met de regrouper toutes les ques­tions que vous aimeriez pos­er en deux ques­tions sim­ples, une ques­tion à nota­tion et une ques­tion à réponse libre.

le taux de recommandation net

En com­bi­nant les répons­es à ces ques­tions à d’autres infor­ma­tions sur le client (ce qu’il fai­sait avant et après l’enquête, pourquoi il a reçu l’enquête), ain­si que d’autres don­nées comme les infor­ma­tions CRM ou com­mer­ciales, nous pou­vons associ­er leur réponse à leur posi­tion au sein du par­cours client. Cela per­met de com­pren­dre leur réponse dans le con­texte de leur dernière inter­ac­tion avec l’entreprise, le point de con­tact client TouchPoint.

Défi 2 : com­ment col­lecter de façon cohérente des com­men­taires sur le par­cours client ? Afin que dif­férentes répons­es puis­sent être com­parées, il est néces­saire de nor­malis­er la façon dont les com­men­taires des clients sont col­lec­tés, traités et analysés. En util­isant les mêmes ques­tions d’enquête (ques­tions TRN) sur l’ensemble du canal et à toutes les étapes du par­cours client, nous pou­vons nous assur­er de pou­voir com­par­er les résul­tats entre dif­férentes étapes du par­cours ou entre dif­férents canaux.

Cela nous per­met de répon­dre à des ques­tions con­cer­nant, par exem­ple, le canal de ser­vice offrant le meilleur niveau de sat­is­fac­tion client (self-ser­vice web, cen­tre d’appel, médias soci­aux, face à face, etc.). Pourquoi les con­som­ma­teurs préfèrent-ils ce canal ? Qu’en est-il des expéri­ences multicanaux ?

Cepen­dant, la méth­ode de col­lecte des répons­es des clients doit elle aus­si être nor­mal­isée pour s’assurer que les répons­es sont com­pa­ra­bles. Dans le cas présent, nous avons util­isé une com­bi­nai­son d’enquêtes via le web et par SMS, en posant, dans les deux cas, des ques­tions TRN de l’enquête en util­isant exacte­ment la même for­mu­la­tion. En util­isant des déclencheurs qua­si en temps réel (dans les 30 min­utes) pour démar­rer la présen­ta­tion de l’enquête, les taux de réponse ont aug­men­té con­sid­érable­ment. En util­isant des déclencheurs d’enquête automa­tisés, les vol­umes ont été bien plus impor­tants qu’avec des enquêtes clas­siques via for­mu­laire ou cen­tre d’appel.

Défi 3 : tri­er, class­er et attribuer les déter­mi­nants des expéri­ences pos­i­tives et néga­tives Une fois les bases en place (infor­ma­tions demandées et méth­ode de col­lecte des infor­ma­tions), nous avons dû étudi­er com­ment traiter les répons­es. Dans ce cas, nous avons col­laboré étroite­ment avec le parte­naire d’Adobe, Clarabridge.

En util­isant la fonc­tion de traite­ment du lan­gage naturel (Nat­ur­al Lan­guage Pro­cess­ing ou NLP) de Clarabridge, nous avons pu traiter les répons­es à chaque enquête de façon à :

Défi 4 : obtenir une vue exhaus­tive En com­bi­nant la col­lecte robuste et évolu­tive d’enquêtes, le traite­ment et le classe­ment automa­tisés des répons­es avec Clarabridge et la com­para­i­son des répons­es à l’enquête avec d’autres sources de don­nées client (par exem­ple, don­nées com­porte­men­tales sur le web et les appli­ca­tions mobiles provenant d’Adobe Ana­lyt­ics, don­nées des médias soci­aux provenant d’outils comme Adobe Social et autres sources de don­nées comme le sys­tème CRM, don­nées de point de vente et enreg­istrements IVR/des cen­tres d’appel), nous sommes en mesure d’obtenir une vue exhaus­tive du seg­ment, des actions et des sen­ti­ments des util­isa­teurs lorsqu’ils se pro­gressent dans le par­cours client.

Ces don­nées, qui com­bi­nent des don­nées qual­i­ta­tives issues des com­men­taires des clients et des don­nées quan­ti­ta­tives sur les actions effec­tuées, nous per­me­t­tent de visu­alis­er les ten­dances de l’expérience util­isa­teur afin de met­tre en évidence rapi­de­ment les prob­lèmes en temps réel et d’appliquer les règles méti­er au résul­tat, afin d’identifier les com­men­taires des clients néces­si­tant une réponse ou un suivi.

Comme le traite­ment de la ques­tion libre « Pourquoi » dans Clarabridge four­nit des don­nées quan­ti­ta­tives en sor­tie (sen­ti­ment, déter­mi­nants TRN, caté­gorie com­mer­ciale), ces don­nées peu­vent être com­binées facile­ment à d’autres sources de don­nées (score TRN, étape du par­cours client, actions des clients, don­nées démo­graphiques et géo­graphiques, don­nées de con­trat, etc.) afin de fournir un ensem­ble de don­nées exhaus­tif pour une analyse approfondie.

Ces sources de don­nées four­nissent con­join­te­ment une vue macro­scopique des « prob­lèmes impor­tants » ou des ten­dances com­munes, et une vue micro­scopique des prob­lèmes ou des défis des dif­férents clients.

Défi 5 : boucler la boucle avec le client La dernière pièce du puz­zle con­cerne l’utilisation des don­nées issues de la « voix du client » pour amélior­er effi­cace­ment l’expérience client et guider le change­ment commercial.

En appli­quant des règles méti­er qui étudi­ent les com­bi­naisons de cer­tains types de clients, com­men­taires, caté­gories de déter­mi­nants et/ou scores TRN, nous pou­vons mar­quer cer­taines répons­es à l’enquête comme néces­si­tant un suivi. L’action de suivi peut être gérée via une inter­face util­isa­teur légère, de type tableau de bord, disponible pour les groupes de tra­vail TRN, ou bien les don­nées sur les com­men­taires et l’action de suivi néces­saire peu­vent être inté­grées à un sys­tème CRM ou un out­il de workflow.

Gestion du taux de recommandation net à boucle fermée

Ges­tion du taux de recom­man­da­tion net à boucle fer­mée

La solu­tion mise en place pour que ce client relève le défi, la solu­tion Touch­Point (point de con­tact), com­prend trois par­ties fonctionnelles :

la solution TouchPoint

Voici un exem­ple de tableau de bord à boucle fer­mée :

tableau de bord à boucle fermée

En résumé, la solu­tion Touch­Point est util­isée pour :

Si le développe­ment d’une stratégie sim­i­laire pour votre entre­prise vous intéresse, con­tactez-moi.

Topics: Transformation digitale, Digital EMEA

Products: