Qualité des données CRM : l'audit à faire avant d'automatiser

Vous avez un projet d'automatisation en tête : des relances commerciales qui partent toutes seules, un scoring qui trie les leads, une séquence de nurturing qui travaille pendant que vous dormez. Avant d'écrire le premier scénario, une question simple mérite une réponse honnête : la donnée qui va alimenter ce système est-elle fiable ? Dans la plupart des organisations que nous auditons, personne n'a vérifié.

La qualité des données CRM n'est pas un sujet de puriste ni une lubie de service informatique. C'est le prérequis technique de toute automatisation qui tient dans la durée. Un workflow bien conçu posé sur une base sale ne corrige rien : il diffuse l'erreur plus vite, plus loin, et directement devant vos clients. Voici la définition à retenir, le protocole en quatre étapes, et les seuils à atteindre avant de brancher quoi que ce soit.

Qualité des données CRM : la définition en quatre critères

Commençons par une définition nette, parce que l'expression « données propres » ne veut rien dire tant qu'on ne l'a pas rendue mesurable. La qualité des données CRM se juge sur quatre critères : chaque enregistrement doit être unique, complet sur les champs dont vos automatisations dépendent, à jour dans son statut, et rattaché à une source identifiée selon une nomenclature commune. Quatre critères, tous vérifiables en quelques exports.

• Contact unique. Une personne égale une fiche, une entreprise égale un compte. Pas de « Dupont Jean » et « Jean Dupont » qui vivent chacun leur vie, avec un historique d'échanges réparti entre les deux.
• Champs clés renseignés. Pas tous les champs, seulement ceux que vos scénarios consomment : email valide, société, fonction, propriétaire commercial, origine, statut du cycle de vie.
• Statut de deal à jour. Chaque opportunité ouverte correspond à une conversation réelle et récente, pas à un espoir de l'année dernière que personne n'a osé fermer.
• Source de tracking cohérente. L'origine du contact est écrite de la même manière dans le CRM, dans le formulaire du site et dans l'outil d'emailing. Une valeur, une orthographe, une seule.

Notez ce que cette définition ne dit pas. Elle ne parle ni de volume, ni d'exhaustivité, ni de la beauté du modèle de données. Une base de 800 contacts propres pilote mieux votre croissance qu'une base de 40 000 lignes dont vous ne savez rien. La qualité, ici, c'est la fiabilité opérationnelle : la capacité d'un système automatisé à prendre la bonne décision sans supervision humaine.

Le piège central : automatiser une base sale amplifie l'erreur

Voici le mécanisme que presque tout le monde sous-estime. Une automatisation ne juge pas la donnée qu'elle reçoit, elle l'exécute. Si la donnée est fausse, le workflow ne lève aucune alerte : il applique la règle avec constance et rapidité. C'est exactement ce qui rend le problème coûteux.

Trois exemples, tous parfaitement banals :

• Un doublon dans une séquence de nurturing, ce sont deux emails identiques reçus le même matin par la même personne. Vous n'avez pas doublé votre présence, vous avez prouvé que votre organisation ne suit pas ses interlocuteurs.
• Un statut de deal jamais mis à jour, c'est une relance automatique envoyée à un client qui vient de signer, ou une proposition relancée trois fois chez quelqu'un qui a quitté l'entreprise.
• Un champ « origine » en texte libre, c'est un scoring qui note au hasard, parce que « LinkedIn », « Linkedin » et « li » comptent pour trois canaux distincts dans vos règles.

La différence avec l'erreur humaine est structurelle. Le commercial qui se trompe se trompe une fois, sur un contact. Le scénario, lui, se trompe sur toute la base, chaque jour, sans se fatiguer et sans rien dire. Les spécialistes de la qualité de données résument souvent le phénomène par un ordre de grandeur devenu classique : corriger une donnée à la saisie coûte une unité d'effort, la corriger plus tard en coûte dix, subir ses conséquences en aval en coûte cent. C'est une règle de pouce du secteur, pas une mesure de votre contexte. Les chiffres exacts se discutent, le rapport de forces non.

Et la facture ne s'arrête pas au temps passé. Les envois vers des adresses mortes dégradent la réputation de votre domaine, ce qui pénalise ensuite vos campagnes parfaitement légitimes. Le sujet rejoint alors celui de la délivrabilité, avec des effets qui mettent des semaines à se réparer.

Étape 1 : dédoublonner la base avant de toucher au reste

Le dédoublonnage passe en premier, et l'ordre n'est pas négociable. Si vous complétez des champs avant de fusionner, vous enrichissez des fiches qui vont disparaître, et vous payez deux fois le même travail.

Le protocole tient en cinq gestes :

1. Définissez la clé unique. Pour un contact, l'email professionnel. Pour une entreprise, le domaine du site web plutôt que la raison sociale, qui s'écrit de quinze façons. Une clé, décidée une fois, écrite quelque part.
2. Exportez et détectez. Doublons exacts sur la clé, puis doublons approchants : même nom et même domaine, emails en alias, sociétés avec ou sans forme juridique.
3. Écrivez vos règles de fusion avant de fusionner. Quelle fiche gagne quand deux valeurs s'opposent ? La plus récemment modifiée, celle qui porte l'activité commerciale, celle qui vient du système de référence. Décidez champ par champ, pas au cas par cas.
4. Fusionnez par lots, en conservant l'historique. Un lot test de quelques dizaines de fiches, vérification manuelle, puis passage à l'échelle. Jamais l'inverse.
5. Verrouillez la recréation. Sans contrainte d'unicité, sans discipline d'import et sans formulaire correctement câblé, les doublons reviennent en quelques semaines. Nettoyer sans verrouiller, c'est vider une baignoire sans fermer le robinet.

Comptez ce chantier en jours, pas en mois, à condition de le cadrer. Le piège classique consiste à vouloir traiter l'intégralité de l'historique. Nous y revenons plus bas.

Étape 2 : compléter uniquement les champs dont vos scénarios dépendent

La tentation, une fois la base dédoublonnée, est de tout remplir. Mauvaise idée : vous allez y passer un trimestre, et la plus grande partie de ce que vous aurez saisi ne servira jamais. La bonne méthode est un inventaire à l'envers.

Listez vos automatisations, présentes et prévues à six mois. Pour chacune, listez les champs qu'elle consomme réellement pour prendre une décision : envoyer ou non, à qui, avec quel message, à quel moment. L'union de ces champs constitue votre liste de champs obligatoires. Le reste est du confort, et le confort attendra.

Deux règles rendent ce travail durable :

• Nomenclature fermée sur tous les champs de segmentation. Liste déroulante, jamais de texte libre. Le texte libre est le premier producteur de données inexploitables en B2B. Un champ « secteur » saisi à la main donne autant de valeurs que de commerciaux.
• Aucun champ obligatoire sans usage identifié. Chaque champ que vous rendez obligatoire ralentit la saisie et incite au contournement. Un champ imposé sans raison finit rempli de « à compléter » et pollue la base plus qu'il ne l'aide.

Mesurez ensuite un taux de complétion par champ critique, sur votre périmètre actif. C'est votre indicateur de pilotage pendant tout le chantier, et il doit figurer dans votre tableau de bord d'hygiène. Si vous voulez éviter le tableau de bord décoratif que personne ne consulte, la logique est détaillée dans notre article sur les dashboards qui ne servent à rien.

Étape 3 : fermer les deals dormants et les statuts obsolètes

Le pipeline fantôme est la maladie la plus répandue des CRM B2B, et la plus dangereuse pour l'automatisation. Des opportunités ouvertes depuis des mois, sans activité, sans date de clôture crédible, qui gonflent le prévisionnel et déclenchent des relances absurdes.

La règle est binaire, et elle doit être appliquée sans état d'âme : toute opportunité sans activité depuis votre seuil de fraîcheur (souvent trente à soixante jours selon la longueur de votre cycle de vente) est soit relancée avec une prochaine étape datée, soit fermée en perdu avec un motif choisi dans une liste fermée. Il n'existe pas de troisième option. Un deal qu'on laisse ouvert « au cas où » ne coûte rien à personne le jour même, et fausse toutes vos décisions les six mois suivants.

Le même raisonnement s'applique aux contacts. Une base B2B se périme mécaniquement : les gens changent de poste, les entreprises fusionnent, les adresses professionnelles meurent. Un contact qui n'a ouvert aucun email depuis un an et qui n'a eu aucune interaction commerciale n'est pas un prospect, c'est une ligne. Sortez-le du périmètre actif, marquez-le comme tel, et arrêtez de l'inclure dans vos calculs de performance.

Le motif de perte, lui, mérite un mot. Renseigné proprement, il devient la source d'information la plus rentable de votre CRM : il vous dit pourquoi vous perdez, à quelle étape, contre qui. Renseigné en texte libre ou pas du tout, il ne vous dit rien. C'est un champ obligatoire à nomenclature fermée, sans exception.

Étape 4 : vérifier la cohérence entre le CRM et les outils connectés

Votre CRM ne vit pas seul. Il reçoit du formulaire de votre site, il échange avec votre outil d'emailing, il croise votre facturation, parfois votre outil de prise de rendez-vous. Chaque connexion est un endroit où la vérité peut diverger sans que personne ne s'en aperçoive.

Le test le plus efficace tient en une heure : prenez dix contacts au hasard et suivez-les de bout en bout. Le formulaire, le CRM, l'emailing, la facturation. Vérifiez quatre choses à chaque étape : l'identifiant est-il le même, le statut d'abonnement est-il identique, le nom de la société s'écrit-il pareil, le montant facturé correspond-il au deal marqué gagné ? Sur un échantillon de dix contacts, il est rare de ne relever aucune divergence. Et une divergence repérée sur un échantillon aussi réduit signale un problème structurel, pas un accident isolé.

Deux décisions à prendre ensuite :

• Le système de référence, champ par champ. Qui fait foi sur l'email : le CRM ou l'emailing ? Sur le montant : le CRM ou la facturation ? Sans cette décision écrite, vos synchronisations se contredisent et écrasent alternativement les bonnes valeurs.
• Le sens de chaque synchronisation. Une synchronisation bidirectionnelle mal cadrée est une machine à propager les erreurs dans les deux sens. Par défaut, préférez l'unidirectionnel depuis le système de référence.

C'est aussi ici que se joue la cohérence des sources. Une nomenclature d'origine et un plan d'UTM tenus proprement rendent votre attribution lisible et votre scoring crédible. Le sujet est traité en détail dans définir son plan de tracking, à lire avant de figer vos valeurs.

Comment savoir que votre base est prête à être automatisée

Un chantier de qualité de données sans critère de sortie ne se termine jamais. Fixez donc des seuils, écrivez-les, et considérez que l'automatisation démarre quand ils sont atteints. Voici des seuils de départ raisonnables, à ajuster selon votre contexte :

• Moins de 1 % de doublons détectés sur la clé unique du périmètre actif.
• Plus de 95 % de complétion sur chaque champ critique identifié à l'étape 2.
• Zéro opportunité ouverte sans activité depuis votre seuil de fraîcheur.
• 100 % des contacts actifs porteurs d'une valeur d'origine issue de la nomenclature fermée.
• Zéro divergence bloquante sur le test des dix contacts de bout en bout.

Ces seuils ne sont pas des mesures constatées ailleurs, ce sont des objectifs de travail. Leur valeur exacte compte moins que le fait de les avoir posés avant de commencer, sinon la discussion devient une affaire de ressenti.

Reste la question du périmètre, et c'est elle qui décide de la faisabilité. Ne nettoyez pas douze ans d'historique. Définissez le périmètre actif : les contacts et comptes que vous avez touchés, ou que vous comptez toucher, dans les douze mois. Le reste passe en archive, hors de vos calculs et hors de vos automatisations. Sur un périmètre serré, ce chantier se compte en jours de travail concentré. Sur toute la base, il ne se termine pas, et l'équipe s'en détourne au bout de trois semaines.

Après le nettoyage : maintenir, enrichir, puis automatiser

Une base propre ne le reste pas seule. La dégradation est continue, portée par les imports, les saisies rapides, le turnover et les nouvelles connexions d'outils. Le maintien se traite donc comme un système, pas comme un effort ponctuel : un contrôle mensuel sur les mêmes indicateurs (doublons, complétion, deals dormants), un responsable nommé, et des règles de création qui bloquent l'entrée de données non conformes plutôt que de les corriger après coup.

Une fois la base assainie et le maintien en place, l'enrichissement prend tout son sens : compléter automatiquement les informations firmographiques, détecter les changements de poste, alimenter votre scoring avec des signaux fiables. Fait avant le nettoyage, l'enrichissement coûte cher et enrichit des doublons. Fait après, il devient un multiplicateur. La méthode est détaillée dans l'enrichissement de données automatisé.

L'ordre complet est simple à mémoriser : documenter, nettoyer, enrichir, automatiser. L'étape amont, celle qui consiste à écrire le processus avant de le confier à une machine, est traitée dans documenter ses process avant de les automatiser. Elle vous évite d'automatiser un fonctionnement que personne n'a jamais validé.

Depuis 2012, nous avons accompagné plus de 280 entreprises et formé plus de 2 750 professionnels, et ce diagnostic revient dans presque tous les projets d'automatisation. Les campagnes qui produisent des résultats rapides, comme celle que nous détaillons dans 180 leads B2B en 7 jours, ne reposent jamais sur un outil magique. Elles reposent sur une base sur laquelle on peut compter.

La règle à retenir : une automatisation ne corrige jamais une donnée fausse, elle la diffuse à grande échelle. Nettoyez le périmètre actif, fixez vos seuils de sortie, puis branchez vos scénarios. Dans cet ordre, jamais l'inverse.