Service Client sous contrôle, quelle data collecter ?

Pour l'analyse de l'efficience des services délivrés au client, sur les divers canaux, quelles sont les typologies de données à collecter ?

La première étape est déjà d'avoir une information fiable, une 'photo', des flux sur les divers canaux, des Kpi's sur le traitement, de suivre la réitération des tentatives ou des contacts, et d'évaluer la 'joignabilité' globale de l'entreprise. Ceci peut être obtenu en collectant les données issues des systèmes permettant la réception et le traitement des demandes, cela peut-être une solution de centre d'appels ou d'engagement digital, ou un crm unifié, pour commencer.

Mais l'étude impliquera forcément aussi une analyse du cheminement des demandes, des étapes et des délais 'réels' de traitement. Par délai de traitement 'réel' nous entendons " jusqu'à sa clôture " dans le système d'information de l'entreprise, une fois que l'ensemble des activités internes qu'elle est susceptible d'avoir engendré ont été assurées, et donc idéalement aussi lorsque le client à l'origine de la demande considèrera qu'elle est satisfaite, ce que nous validerons d'ailleurs en collectant et en vérifiant aussi ses feedbacks.

Par exemple, une demande pour un changement de 'box' ou le remplacement d'une pièce sur un ordinateur n'est bien sûr pas 'gérée' lorsque l'agent qualifie la demande et que le client reçoit une confirmation de prise en charge plus ou moins détaillée, mais bien lorsque le bon modèle pour le matériel de remplacement sera livré et fonctionnel, incluant un nouveau délai induit par les équipes gérant le stock, le transporteur, éventuellement une livraison infructueuse pour cause de manque de précision sur le dossier client, d'éventuels problèmes à l'installation liés à un manque de support ou une pièce manquante, etc ... et puis l'entreprise se plaira tout de même à savoir combien a couté ce SAV, et à maitriser certains aspects fondamentaux de rentabilité.

Pour évaluer l'efficience du service, il faut donc analyser toutes les traces disponibles sur l'activité et l'ensemble des services impliqués, avec comme donnée initiale corrélée une typologie de demande, et travailler ensuite sur des notions comme les taux de résolution 'réels' au premier, second, ou au quinzième contact, ou encore lier un traitement que l'on jugerait qualitatif selon nos standards avec 'les' standards, mais aussi avec les attentes, ou les feedbacks-client qu'il a généré, étudier finement les diverses étapes du traitement pour les bons comme les mauvais exemples, et bien sûr écouter ou relire le contenu de ces interactions et les commentaires client !

Donc on ne parle pas seulement, pour réellement analyser la qualité de service, des données issues des outils des services client ?

Effectivement. Le terme d' " analyse à 360 ° " du service client est assez pertinent, même s'il est un peu vidé de son sens actuellement par une utilisation un peu légère par certains marqueteurs du secteur. '360°' induit littéralement qu'on regarde en même temps, ou successivement, 'devant', 'sur les côtés' et 'derrière'. On peut s'amuser à traduire cela par devant = les flux et les demandes dans mes outils d'engagement, les côtés = la qualité perçue, les feedbacks sur les sites d'avis, et mes baromètres 'à chaud' ou 'à froid', plus les évaluations faites en interne = la qualité délivrée. Et puis ce qui est derrière = le back office, mais aussi les ventes générées ou les couts, donc en général plusieurs sources émanant aussi du SI de l'entreprise, comme les 'souvent-divers-et-variés' CRM internes.

Le but d'une telle démarche donc en fait d'essayer de retracer tous les parcours, divers et variés eux aussi, de mes clients ou prospects lorsqu'ils ont besoin de moi, autant que de traquer les dysfonctionnements en interne ou encore les difficultés des équipes. Il nous faut donc du point de vue de la donnée disposer de toutes les étapes, et les analyser en corrélation avec un maximum de feedbacks internes ou externes, en conséquence toutes les données dont nous venons de parler sont nécessaires.

Customer Square a même envisagé récemment d'intégrer un système de collecte des feedbacks des agents sur leurs divers échanges clients dans l'espace qui leur est dédié sur CROSS-CRM.COM, en vue de créer une nouvelle source de type 'climat' pour enrichir les modules d'analyse des campagnes et de suivi des objectifs.

Les données, pour permettre un pilotage de la qualité sont donc forcément retraitées pour être rendues digestes ?

Oui, ou plutôt certaines le sont, et d'autres doivent être enrichies, et non, on ne se passera jamais des compétences des humains, notamment émotives, pour évaluer la qualité d'un service !

Commençons par le re-traitement. Tout d'abord les données des diverses sources applicatives, à inclure parfois dans un même rapport, ne sont pas toutes fournies selon les mêmes standards et certaines données censées être 'brutes' ou KPI's sont parfois décrits comme identiques alors que leur historisation ou leur calcul a fait appel à des filtres, ou à des méthodes parfois radicalement différentes. C'est le travail de " nettoyage " qu'effectuent nos analystes quand nous créons un connecteur vers plusieurs solutions d'un même pan de la relation client comme par exemple les diverses solution d'engagement pour l'un de nos dashboards : il faut comprendre comment chaque chiffre que nous allons utiliser été produit, et comparer ou regrouper ce qui est comparable ou " regroupable ".

Un retraitement informatique est aussi nécessaire pour faire concorder les divers formats en provenance de tables ou de bases de données différentes. Enfin, c'est devenu un gros mot, mais nous parlons aussi ici de BIG Data, de beaucoup de cas et d'interactions, et il serait humainement impossible pour un service client même petit de revoir une par une chaque interaction et d'effectuer un débrief sur chaque cas. Donc il nous faut faire chauffer les serveurs pour extraire la 'substantifique moelle' des données mises à notre disposition, et aujourd'hui nous le pouvons. Pour cela nous disposons de calculateurs et d'outils d'analyse sémantique de plus en plus fiables, ainsi que d'outils pour transformer la voix en texte, tout ceci contribuera à mieux cibler les analyses pour la suite du processus géré pour sa part par ... l'humain !

Les données doivent être enrichies et leur interprétation mise sur des rails, et pour cela l'humain est le mieux placé. Comme je serais plus intéressé à lire un feedback sur ma nouvelle application mobile qu'à obtenir la donnée brute du nombre de téléchargements (qui ne me dira rien sur qui et pourquoi et combien de fois un même utilisateur l'a téléchargée à nouveau, etc ...), je préfèrerais aussi revoir une évaluation faite par mon service qualité sur un appel qu'écouter l'appel lui-même. L'analyse des grosses masses de données, pour aider à la décision, doit en conséquence se baser sur des données aussi 'limpides' que possible donc autant que faire se peut, ayant déjà subi un traitement informatique ET humain, pour mettre ces données en conformité, et commencer à les classifier et à leur donner une couleur, ou un climat.