[Checklist] 6 questions pour construire le R·O·C·H·E·R de la data quality

On parle souvent de data quality dans le resource center d’Invox. En effet, impossible de faire du nurturing et de monter des campagnes de marketing automation sans avoir au préalable nettoyé sa donnée (non, ce n’est pas sale). Aujourd’hui, on va davantage dans le concret afin de construire un véritable R·O·C·H·E·R de la data quality… Découvrez les 6 questions à vous poser, résumées en une checklist data quality à afficher dans tous vos services, marketing comme ventes !
checklist data quality

Je veux ma checklist ❯

R comme RGPD-compatibles : est-ce que j’ai le consentement de mes utilisateurs ?

Votre base est-elle RGPD-compatible ? Afin de récolter et d’utiliser les données de vos prospects, vous devez avant tout avoir le consentement explicite de vos utilisateurs. Depuis la mise en place du RGPD (et normalement vous auriez même dû commencer bien avant, du moins selon Seth Godin), chaque utilisateur qui passe sur votre site vous donne un premier consentement en cliquant sur le message – un peu intempestif – « Accepter » ou « Continuer ma navigation ». Sans le consentement de vos usagers, impossible de faire des campagnes de marketing automation ! D’autant plus qu’en fonction des entreprises, la recherche de consentement est plus ou moins stricte. C’est donc à vous d’être au clair avec ce que vous souhaitez mettre en place pour être en conformité. Bien évidemment, nous ne cherchons pas ici à faire un cours juridique sur la distinction entre la loi et son application…

O comme Organisées : est-ce que votre organisation est pensée pour améliorer la qualité (et la quantité) des données de manière durable ?

Avez-vous correctement défini les champs que vous souhaitez récupérer ? Les sources d’acquisition de données sont-elles claires et bien maîtrisées (formulaires, call centers, CRM, programmes d’enrichissement ou de validation, etc.) ? Avez-vous mis en place des process pour nettoyer la data de manière régulière ? Des humains passent-ils sur les données récupérées pour les valider et les améliorer, par des recherches LinkedIn par exemple ?

Il est essentiel d’établir une politique de data quality précise, avec un vrai suivi de la performance en la matière et des mécaniques de contrôles actives. Il est peut-être temps de penser à mettre en place un lead SLA : autrement dit, un contrat autour de la qualité du lead, pour vous assurer de partager les mêmes critères dans l’ensemble de l’entreprise et aligner vos équipes.

C comme Correctes : est-ce que mes données sont justes ?

C’est presque la base de la data quality… Une donnée de qualité est bien évidemment une donnée correcte ! Assurez-vous de l’exactitude de vos données en mettant en place des opérations de vérification et de data cleaning. Cela vous oblige à dire adieu à 60 % de votre base ? Eh oui, c’est parfois le prix à payer pour avoir une data propre… Ne vous inquiétez pas, nous pouvons vous accompagner dans les différentes phases du deuil (mais si, vous savez : Colère, Déni, Tristesse, Marchandage puis Acceptation). On est bien mieux après un grand nettoyage qu’avec tout un tas de données qui ne sont pas fiables !

H comme Homogènes : est-ce que mes données sont harmonisées ?

Les fiches contacts doivent être remplies de la même manière, afin d’éviter les doublons, les zombies et les contacts « poubelle ». Un conseil ? Mettez en place des listes de choix pour la plupart des champs à remplir — en ce qui concerne le poste par exemple. Vous vous épargnerez ainsi d’innombrables réponses de type « Dir. Com », « Directeur communication », « Dir. de la Communication », etc.

« Fermer les champs »
Il s’agit ici de contraindre le plus possible la saisie et permettre de faire des « paquets » ou des segments homogènes. Certes, on perd en granularité, mais on gagne tellement en qualité et en capacité à utiliser la donnée que le jeu en vaut clairement la chandelle !

checklist data quality

E comme Exhaustives : est-ce que mes données sont complètes ?

– Vous avez des données ?
– Oui, mais elles ne sont pas complètes.
– Ah ? Vous n’avez pas de données, alors…

Aujourd’hui, avoir un nom et une adresse mail, ce n’est plus suffisant pour mettre en place des campagnes marketing, et encore moins pour savoir à qui l’on parle !

Comment cibler finement vos prospects si vous ne les connaissez pas bien ? Pour avoir des données complètes, il faut veiller à mettre tous les champs dont vous avez besoin dans vos formulaires et mettre en place du progressive profiling afin d’enrichir ce que vous avez déjà.

Définissez précisément des champs de saisie obligatoires pour disposer d’une segmentation toujours plus fine. Pensez aussi à déployer des process de data enrichment pour agrémenter vos bases et les structurer pour les mettre en adéquation avec votre lead cycle.

R comme Récentes : est-ce que mes données sont récentes ?

Vous avez une super base de données, complète, sans doublons… parfait. Mais elle comporte aussi des contacts qui datent d’il y a six ans… En B2B, impossible de se fier à cette base ! Beaucoup de choses se sont passées en six ans : vos prospects ont changé de poste, les décideurs ont changé de boîte, les entreprises ont évolué, certaines personnes ont changé de nom… On estime que 20 à 30 % des contacts d’un millésime deviennent obsolètes tous les ans (donc en six ans → Q*0,756 = Q*0,178 → 82 % de votre base originale est devenue obsolète). Et déjà 58 % au bout de trois ans !

La data quality fait partie des chantiers prioritaires pour booster votre stratégie de lead generation – et enfin générer des leads B2B de qualité, à traiter en masse. Appuyez-vous sur le R·O·C·H·E·R de la data quality en téléchargeant votre checklist, pour connaître les 6 critères essentiels sur le sujet et les garder à l’esprit sur le long terme.

Je veux ma checklist ❯

Copyright 2017 Invox. Tous droits réservés