Dans un article précédent, nous avions démontré ensemble que les utilisateurs de vos services ne savent pas ce qu’ils veulent. A partir des résultats d’un sondage de satisfaction, nous avions également introduit des éléments méthodologiques pour initier un plan d’amélioration robuste prenant en compte :
- Les critères sources d’insatisfaction pour vos clients
- Les critères réellement importants pour vos clients
Si vous n’avez pas lu ce premier article, pas d’inquiétude, notre but aujourd’hui est d’affiner cette méthode ensemble. La présentation de cette méthode fera l’objet de 2 articles, co-écrits avec Amr Arbani, dont voici le premier. Dans cette série, notre but sera également de vous montrer à quel point, grâce à des outils bien fichus et grâce à la puissance des données, il n’a jamais été aussi simple de mettre le doigt sur les meilleures actions à mener pour améliorer la satisfaction de vos clients.
Etudier la voix du client n’a jamais été aussi simple (1/2)
Périmètre d’applicabilité de la méthode
Nous nous concentrons ici sur l’amélioration de services / produits déjà existants à partir de la voix du client, collectée pour l’occasion par un sondage de la satisfaction. Autrement dit, notre but est d’identifier les leviers d’action sur vos services / produits les plus pertinents pour améliorer la satisfaction de vos clients.
Etape 1 : Construire un sondage exploitable
La première étape consiste à construire un sondage de la satisfaction de vos clients. Cette étape est cruciale pour plusieurs raisons :
- Elle détermine la qualité des données dont vous disposerez : il s’agit là de poser les bonnes questions (objet de la question, formulation de la question) et de donner l’opportunité à vos clients de donner les bonnes réponses (formulation des réponses à choix multiples, commentaire libre…)
- Pour un suivi non biaisé de la satisfaction de vos clients, pour peu que votre organisation soit dans une démarche d’amélioration continue, ce sondage devra être réutilisé à l’identique (ou presque) pour les mois voire années à venir : pas question de modifier radicalement le contenu de votre sondage d’une année à l’autre.
- Une fois le sondage prêt et envoyé à vos clients, difficile de revenir en arrière
Savoir poser les bonnes questions de la bonne manière est une discipline en soi. Nous ne la détaillerons pas ici mais j’insisterai sur un point : l’essentiel est de sonder la satisfaction d’une manière fine et exhaustive sur les points d’interactions de vos clients avec le produit / service que vous proposez. Un exemple ci-dessous avec une théière (je suis en train de boire un thé) :
Selon vos ambitions / la complexité du produit, choisissez autant de niveaux de critères/sous-critères (les points d’interactions) que nécessaires. Sélectionnez les de telle manière à ce qu’ils soient compréhensibles pour vos clients. Par exemple, évitez de demander à un client sa satisfaction sur le dimensionnement des résistances du circuit de chauffage : 1 ce n’est pas un point d’interaction, 2 tous les utilisateurs ne travaillent pas en bureau d’étude.
Pour illustrer notre démarche, nous continuerons à nous appuyer ici sur les résultats de l’enquête satisfaction réalisée par l’ARCEP en 2018 sur le service de fourniture d’accès internet aux PME / ETI (exit la théière, j’ai fini mon thé).
D’autres problématiques peuvent être prises en compte à cette étape de construction du sondage : l’influence des choix de réponses proposés aux sondés, l’ordre des questions, la formulation des questions… La satisfaction étant une valeur de vérité partielle, le modèle cognitif qui la sous-tend fait d’ailleurs l’objet d’études approfondies. Pour en savoir plus, je vous conseille entre autres la lecture de la thèse du Docteur Alain Jouandeau “contribution à la modélisation de la satisfaction client par la logique floue”.
ISLEAN peut vous accompagner dans cet exercice de construction de votre sondage.
Etape 2 : Elaborer un modèle prédictif de la satisfaction sur votre produit / service
Une fois votre sondage créé, diffusé, complété par un nombre suffisant de répondants, les analyses peuvent commencer. Traditionnellement, ces analyses se concentrent – et se résument parfois – à l’identification des critères sources d’insatisfaction pour les clients auxquels on répond par des actions. Cela n’est pas suffisant, je vous expliquais pourquoi dans mon article précédent. En synthèse, ce n’est pas tant les sources d’insatisfaction qui comptent pour élaborer un plan d’amélioration, mais plutôt les critères importants pour vos clients. On peut même décider d’améliorer un critère sur lequel les clients sont déjà globalement satisfaits si ce critère est particulièrement important pour eux. Les fonctions de Kano représentent d’ailleurs bien cette part des choses. Elles montrent qu’il existe globalement 3 types de critères / fonctions pour le client :
- Les fonctions / critères basiques : fonctionnalités qui contribuent peu à la satisfaction du client lorsqu’elles sont présentes, mais détériorent grandement la satisfaction du client lorsqu’elles sont absentes
- Les fonctions / critères « performance » : ces fonctionnalités / critères augmentent d’autant la satisfaction du client lorsque leur performance s’accroit
- Les fonctions / critères attirants : le client ne pénalise pas l’absence de ces fonctions mais ils voient leur satisfaction augmenter radicalement lorsqu’elles sont présentes
Sachant cela, l’introduction de la notion « d’importance » apporte bien une valeur ajoutée considérable pour entreprendre des actions d’amélioration.
L’importance des critères est contenue de manière implicite dans les réponses à votre sondage. “Implicite” car les clients n’expriment pas cette importance explicitement, et même s’ils le faisaient, vous n’en tireriez pas grand chose… Il faut donc s’outiller pour aller chercher cette information contenue dans la covariance entre la satisfaction sur les critères de votre produit / service et la satisfaction globale : entrent les modèles prédictifs.
Les modèles prédictifs sont des algorithmes qui permettent, à partir d’une liste de valeurs en entrées, de prédire une ou plusieurs valeurs de sorties. Ici nous les utilisons pour prédire la satisfaction globale :
En cherchant à déterminer l’importance des critères, on cherche en fait à établir la “taille des rouages” de chaque critère dans le modèle choisi. Idéalement, on aimerait quantifier cette importance.
Il existe beaucoup de modèles prédictifs différents : Random Forest, XG Boost, Régressions linéaires, Réseaux neuronaux, etc. Choisir le bon modèle n’est pas forcément évident, savoir le construire et l’appliquer encore moins… A moins qu’il existe des outils permettant de le faire en quelques clics et gratuitement ? Pour notre part, nous utilisons la plateforme de Datascience Dataiku. Grâce à ce type d’outils, l’exercice se fait en 10 minutes maximum (hors nettoyage des données, comme toujours lorsque l’on manipule des data) : on injecte les données, on choisit la variable à prédire, les critères à utiliser pour la prédiction, on sélectionne les modèles à tester, on choisit le plus performant.
Le bon modèle se choisit à l’aune de sa performance pour prédire correctement la satisfaction globale de chaque individu sur le produit / service.La dernière fois, nous avions appliqué la méthode des moindres carrés aux résultats du sondage de l’ARCEP. En testant plusieurs modèle, il s’est avéré que la méthode de contraction des coefficients de Lasso (une méthode de régression également, je ne connaissais pas mais j’ai découvert grâce à Dataiku) était plus performante (+5% sur l’EVS)
Même étant outillés, l’exercice de prédiction d’une satisfaction n’est pas aisé. Pour notre part, nous avons réussi à construire des modèles parvenant à expliquer 65% de la variance sur la satisfaction globale. Les 35% manquants peuvent s’expliquer par plusieurs facteurs :
- Les critères de satisfaction disponibles dans le sondage et utilisés dans le modèle ne couvrent pas tous les points d’interactions entre le client et le service
- La satisfaction est une valeur de vérité partielle : un “Satisfait” n’a pas la même valeur dans toutes les bouches. La logique floue sait bien adresser cette problématique (cf. la thèse recommandée plus haut)
- Le paramétrage des modèles testés peut être optimisé
Par ailleurs nous passons ici sous silence plusieurs questions qu’il faut se poser en créant un modèle prédictif :
- Faut-il préférer un algorithme de classification ou de régression ?
- Quels hyperparamètres choisir pour entraîner les modèles ?
- Quelles variables choisir pour expliquer la satisfaction globale ? Faut-il prendre en compte les interactions entre les variables ?
- …
Nous savons vous accompagner pour répondre à ces questions
Etapes 3,4 : Identifier les critères importants pour vos clients, déterminer les zones d’action à haute valeur ajoutée
A cette étape, nous chercherons à :
- établir quel estimateur est le plus adapté pour mesurer l’importance (“la taille des rouages”) des critères pour votre client à travers le modèle : l’idéal serait d’obtenir un estimateur permettant de quantifier cette importance, ce à un niveau fin, voire client par client…
- En déduire une méthode pour étudier les zones d’actions à plus haute valeur ajoutée
Pour éviter de faire du mal au référencement de cet article déjà long, j’en arrête la rédaction ici. La suite de l’article se trouve ici !
Nous pouvons vous aider à traiter vos problématiques Métiers avec la Data, découvrez en plus à travers notre offre Data For Strategy !