BTS NDRC, bloc 2 : fiche ressource

Analyse et traitement de la data client

Cette fiche montre comment une équipe commerciale rassemble, fiabilise et exploite les données de ses clients et de ses prospects. Elle donne les indicateurs de qualité d’un fichier, les grands types d’analyse et la méthode RFM, utilisable tout de suite pour cibler une relance ou une offre.

La data client, matière première de la vente

La data client désigne l’ensemble des données qu’une entreprise détient sur ses clients et ses prospects. Bien exploitée, elle dit à qui s’adresser, quand relancer et quoi proposer. Deux distinctions servent à la classer.

  • Structurées ou non structurées. Une donnée structurée se range dans les colonnes d’une base de données (date, montant, code postal). Une donnée non structurée est un texte libre, une image, un message ou un e-mail : elle demande d’autres outils d’analyse.
  • Internes ou externes. Les données internes viennent des outils de l’entreprise : caisse, ERP (logiciel de gestion intégré), CRM (logiciel de gestion de la relation client), service après-vente, ses propres réseaux sociaux (social CRM). Les données externes viennent d’ailleurs : données ouvertes (INSEE, météo), moteurs de recherche, réseaux sociaux, fichiers achetés.
Arbre des sources de la data client : données internes (logiciel d’ERP ou de CRM, SAV, conversations sur les réseaux sociaux de l’entreprise ou Social CRM) et données externes (achetées à des prestataires spécialisés, issues des moteurs de recherche, des réseaux sociaux).
Schéma 1. D’où vient la data client : des sources internes et des sources externes.

Le big data (mégadonnées) désigne les outils qui transforment de très grandes quantités de données en informations utiles à la décision. On l’analyse par cinq V :

  • volume : la quantité de données à stocker et à traiter ;
  • variété : les types de données, structurées ou non, internes ou externes ;
  • vélocité : la rapidité avec laquelle elles arrivent et doivent être traitées ;
  • véracité : leur fiabilité, que dégradent doublons, adresses fausses et fiches incomplètes ;
  • valeur : l’utilité économique tirée de l’information, seule raison de collecter.
Carte des 5 V du big data : volume (les quantités de données), variété (données structurées ou non, open data ou données internes), vélocité (rapidité de travail), véracité (fiabilité, authenticité de la data), valeur (utilité, valeur économique associée à l’information).
Schéma 2. Les 5 V qui servent à analyser le big data.

Les types de données clients

Chaque type de données répond à une question : qui est le client, ce qu’il achète, comment il se comporte, ce qu’il pense.

Type de donnéesExemplesComment on les collecte
Identité (données déclarées)Nom, adresse, e-mail, téléphone, préférencesCréation de compte, formulaire, carte de fidélité
TransactionsAchats, dates, montants, produits, retoursLogiciel de caisse, site marchand, ERP
Comportement en lignePages vues, paniers abandonnés, clics dans les e-mailsMesure d’audience, e-mailing, cookies et pixels (avec consentement quand il est requis)
Relation et contactsAppels, réclamations, rendez-vousCRM, centre de contacts, chat
OpinionAvis, notes, enquêtes de satisfaction, commentairesEnquêtes, plateformes d’avis, écoute des réseaux sociaux
Données externesProfil des habitants d’une zone, fichiers loués, données ouvertesPrestataires, INSEE, partenaires (avec une base légale)

Rassembler les données dans les bons outils

  • Le CRM centralise les fiches, l’historique des contacts, les devis et les relances de l’équipe commerciale.
  • La caisse et le site marchand enregistrent les transactions ; l’ERP relie ventes, stocks et facturation ; la plateforme d’e-mailing garde abonnements, désinscriptions et clics.
  • La plateforme de données clients (CDP, customer data platform) rassemble toutes ces sources en un profil unique par client et alimente la personnalisation en temps réel : le conseiller voit tout l’historique du client, quel que soit le canal.

Pour les gros volumes, l’entrepôt de données (data warehouse) range des données structurées, préparées pour l’analyse. Le lac de données (data lake) accueille aussi les données non structurées, stockées brutes, avec des solutions comme Hadoop ou Spark. Une entreprise dont les données sont surtout des textes et des images a besoin d’un lac de données ; beaucoup combinent les deux.

Comparaison : l’entrepôt de données (Data Warehouse) gère des données structurées ; le lac de données (Data Lake), qui le complète, gère aussi les données non structurées (texte, image, réseaux sociaux, e-mails), stockées brutes, avec des solutions comme Hadoop et Spark.
Schéma 3. L’entrepôt de données range des données structurées ; le lac de données accueille aussi les données non structurées, stockées brutes.

Fiabiliser la base avant de l’exploiter

Une base peu fiable coûte cher : messages perdus, clients comptés deux fois, données gardées sans droit. Avant une campagne ou un changement d’outil, on la nettoie dans cet ordre.

  1. Inventorier les fichiers : sources, nombre de fiches, champs.
  2. Normaliser les champs : même format pour les noms, téléphones, codes postaux et e-mails ; listes de valeurs plutôt que texte libre.
  3. Dédoublonner : rapprocher les fiches d’une même personne grâce à une clé (e-mail, téléphone, nom et code postal) et les fusionner.
  4. Supprimer ce qui doit l’être : prospects dont la collecte et le dernier contact émanant d’eux remontent à plus de trois ans, demandes d’effacement, données inutiles.
  5. Vérifier et compléter : contrôle des adresses, souvent confié à un prestataire, puis complément des champs manquants au prochain contact.
  6. Maintenir : contrôles de saisie, mise à jour à chaque échange, tableau de bord de qualité mensuel.

Supprimer avant de vérifier évite de payer le contrôle de données que l’on n’a plus le droit de garder. Les règles de collecte et de conservation sont détaillées dans la fiche Collecte, organisation et protection des données clients.

Les indicateurs de qualité d’un fichier

IndicateurFormuleCe qu’il révèle
Taux de doublonsFiches en double ÷ fiches avant fusion × 100Fiches qui décrivent une personne déjà connue
Profils uniquesFiches avant fusion – fiches en doubleNombre réel de personnes connues
Taux de complétudeProfils complets ÷ profils uniques × 100Profils utilisables pour toutes les actions
Part des données non structuréesVolume non structuré ÷ volume total × 100Besoin d’un lac de données

Exemple : le fichier de Thés de l’Aiguebrun

Thés de l’Aiguebrun, PME fictive de 11 salariés installée à Apt (Vaucluse), vend des thés et des infusions en boutique et en ligne. Avant d’installer une plateforme de données clients, la responsable commerciale fait le point le 2 novembre 2026 (chiffres fictifs).

  • Fiches avant fusion : 3 150 (caisse) + 5 480 (site) + 2 370 (lettre d’information) = 11 000.
  • Doublons : 2 640, soit 2 640 ÷ 11 000 × 100 = 24,0 %.
  • Profils uniques : 11 000 – 2 640 = 8 360, dont 6 270 complets : complétude = 6 270 ÷ 8 360 × 100 = 75,0 %.
  • Prospects collectés avant le 2 novembre 2023 et sans contact émanant d’eux depuis cette date : 410 profils à supprimer ; il en reste 8 360 – 410 = 7 950.
  • Vérification des adresses à 0,04 € HT par profil : 7 950 × 0,04 = 318,00 € HT, soit 318,00 × 1,2 = 381,60 € TTC.
  • Volume stocké : 3,2 Go de données structurées et 12,8 Go de photos, d’e-mails et de messages, soit 12,8 ÷ 16 × 100 = 80,0 % de non structuré.

Une fiche sur quatre était un doublon : l’entreprise fusionne, supprime, fait vérifier les 7 950 profils restants et choisit un outil adapté aux textes et aux images.

Analyser les données

Type d’analyseQuestion commercialeExemple d’usage
Descriptive (tableau de bord)Que s’est-il passé ?Ventes par canal, évolution du panier moyen ; elle résume le passé sans le prolonger
SegmentationQuels clients se ressemblent ?Méthode RFM, segments de valeur
Prédictive (modèle supervisé)Que va-t-il se passer ?Prévision des ventes, probabilité qu’un client achète ou parte
Exploratoire (non supervisée) et dataminingQuelles relations n’avait-on pas vues ?Groupes de clients proches, produits achetés l’un après l’autre

Un modèle prédictif apprend sur un historique dont on connaît le résultat (ventes passées selon la météo, clients partis ou restés) pour estimer un résultat futur. Un modèle exploratoire cherche des structures sans résultat défini à l’avance. Le datamining recherche automatiquement les relations entre les variables : si les acheteurs de thé vert achètent souvent une théière à leur visite suivante, on leur envoie, quelques semaines après, un conseil de préparation avec une offre sur les théières.

Le data scientist, qui maîtrise l’informatique, les statistiques et le marketing, construit les modèles ; le commercial traduit les résultats en actions.

La démarche : de la collecte à l’action

  1. Collecter avec une base légale, comme l’exige le RGPD (règlement européen sur la protection des données) : contrat pour une commande, consentement préalable pour prospecter un particulier par e-mail ou SMS, sauf client pour des produits analogues.
  2. Centraliser dans un CRM ou une plateforme de données clients : un profil par client.
  3. Fiabiliser : dédoublonner, corriger, supprimer les données trop anciennes.
  4. Analyser : segmenter, scorer, calculer les indicateurs de valeur (panier moyen, taux d’attrition, valeur vie client), présentés dans la fiche Méthodes d’analyse des données et création de valeur client.
  5. Agir : campagne ciblée, offre personnalisée, relance des clients à risque.
  6. Mesurer : clics, commandes générées, clients réactivés, comparés à l’objectif.

Exemple : segmenter ses clients avec la méthode RFM

La méthode RFM note chaque client sur trois critères tirés de ses commandes : la récence du dernier achat (R), la fréquence des achats (F) et le montant dépensé (M). Chez Thés de l’Aiguebrun, chaque client reçoit une note de 1 à 3 par critère, calculée sur les douze derniers mois.

Les seuils de notation RFM de Thés de l’Aiguebrun

CritèreNote 3Note 2Note 1
Récence : jours depuis le dernier achatMoins de 30 joursDe 30 à 90 joursPlus de 90 jours
Fréquence : nombre de commandes6 ou plusDe 3 à 51 ou 2
Montant : total dépensé300 € ou plusDe 100 € à moins de 300 €Moins de 100 €

Cinq clients notés selon la méthode RFM

Client et historiqueNotes R-F-MSegment et action
n° 1048 : dernier achat il y a 9 jours, 8 commandes, 412 €3-3-3Champion : reconnaissance, avant-premières, parrainage
n° 2210 : dernier achat il y a 21 jours, 6 commandes, 186 €3-3-2Fidèle : montée en gamme, programme de fidélité
n° 3175 : dernier achat il y a 12 jours, 1 commande, 39 €3-1-1Nouveau : scénario de bienvenue, incitation au deuxième achat
n° 0587 : dernier achat il y a 148 jours, 7 commandes, 365 €1-3-3À risque : relance personnalisée, offre de retour
n° 0932 : dernier achat il y a 260 jours, 1 commande, 27 €1-1-1Perdu : dernière relance, puis sortie des campagnes courantes

Le client n° 0587 est la priorité : il a beaucoup acheté (7 commandes, 365 €) mais plus rien depuis près de cinq mois. Une relance personnalisée, avec un rappel de son thé habituel, coûte bien moins cher que de recruter un nouveau client. Le champion n° 1048 n’a pas besoin de remise : on le remercie et on s’appuie sur lui pour recruter.

Les erreurs fréquentes

  • Calculer le taux de complétude sur les fiches d’origine au lieu des profils uniques.
  • Faire vérifier des données avant d’avoir supprimé celles que l’on n’a plus le droit de garder.
  • Croire qu’un e-mail envoyé ou ouvert prolonge la conservation d’un prospect : seul un contact venant de lui relance le délai de trois ans.

À l’épreuve E5

Avec cette fiche, le candidat doit savoir :

  • calculer et interpréter taux de doublons, profils uniques, taux de complétude, part de données non structurées et coût TTC d’un traitement ;
  • repérer les données à supprimer, classer des données (structurées ou non, internes ou externes) et relier un défaut au bon « V » ;
  • choisir l’outil (CRM, plateforme de données clients, entrepôt ou lac de données) et le type d’analyse adaptés ;
  • appliquer une grille RFM et justifier, chiffres à l’appui, l’action proposée pour chaque segment.

Exercices

Chaque exercice se corrige en ligne, sans compte : une fois vos réponses envoyées, la correction affiche pour chaque question la réponse attendue et le détail du calcul ou de l'explication. Les corrigés complets se téléchargent aussi en PDF.

Fusionner et nettoyer les fichiers d'Altitrek Diois


Version imprimable (PDF) PDF Corrigé (PDF)

Altitrek Diois, magasin de sports de montagne de 9 salariés installé à Die (Drôme), vend en boutique et sur son site marchand, et loue du matériel (raquettes, skis de randonnée, vélos à assistance électrique). Ses données clients sont dispersées dans quatre fichiers qui ne communiquent pas.

Avant d'installer une plateforme de données clients (CDP), qui rassemblera toutes les sources en un profil unique, le gérant demande à Elouan Martel, alternant en BTS NDRC, de mesurer la qualité des données et de préparer leur nettoyage au 1er octobre 2026.

Complétez l'annexe 1, puis répondez aux questions d'analyse.


Document 1 : les quatre fichiers à rassembler (septembre 2026)

FichierContenuFiches
Fichier fidélité du logiciel de caisseClients de la boutique (carte de fidélité)4 860
Comptes clients du site marchandClients ayant commandé en ligne3 240
Logiciel de locationClients ayant loué du matériel1 380
Abonnés à la lettre d'informationInscrits à la lettre, clients ou non1 120

Document 2 : résultats du test de la plateforme de données clients

  • Fiches en double (copies en trop d'une personne déjà présente dans un autre fichier, à fusionner avec sa fiche) : 2 438.
  • Profils complets après dédoublonnage (nom, e-mail valide, téléphone, code postal, date du dernier achat ou du dernier contact) : 6 285.

Document 3 : prospects (profils sans achat ni location, après dédoublonnage) selon la date du dernier contact émanant d'eux

Dernier contact (inscription, clic dans la lettre, message)Profils
Avant le 1er octobre 2023286
Du 1er octobre 2023 au 30 septembre 2025471
Depuis le 1er octobre 2025283
Total1 040

Document 4 : volume des données stockées

  • Données structurées (tickets de caisse, commandes, contrats de location, fiches clients) : 6,4 Go.
  • Données non structurées (photos jointes aux avis et aux demandes de réparation, e-mails du service après-vente, messages reçus sur les réseaux sociaux) : 41,6 Go.

Document 5 : offre d'un prestataire spécialisé

Vérification des adresses e-mail et normalisation des adresses postales : 0,045 € HT par profil traité (TVA à 20 %).


Annexe 1 (arrondir les pourcentages à une décimale, les montants au centime)

QuestionRéponse
Nombre total de fiches avant fusion
Taux de doublons (en % des fiches avant fusion)
Nombre de profils uniques après dédoublonnage
Taux de complétude des profils (%)
Nombre de profils de prospects à supprimer au 1er octobre 2026
Nombre de profils conservés après cette suppression
Part des données non structurées dans le volume stocké (%)
Coût TTC de la vérification des profils conservés (€)

Questions d'analyse

Doublons, adresses e-mail invalides, fiches incomplètes : lequel des « 5 V » du big data ces défauts mettent-ils en cause ?


Pour stocker ensemble les tickets de caisse, les commandes, les photos et les messages des clients, puis les analyser, quelle solution convient ?




Le projet data des Jardineries Eygalade


Version imprimable (PDF) PDF Corrigé (PDF)

Les Jardineries Eygalade exploitent six jardineries dans le Vaucluse et la Drôme (Bollène, Orange, Valréas, Vaison-la-Romaine, Nyons et Pierrelatte) et un site marchand avec retrait en magasin ; 52 000 clients ont une carte de fidélité. La direction lance un projet de valorisation des données clients, confié à Clémence Vialaret, chargée de la relation client, avec un data scientist recruté en septembre 2026.

Pour chaque situation, choisissez la bonne réponse.


Chaque nuit, la base reçoit les tickets de caisse des six magasins, les commandes du site, les avis publiés sur Google, les photos envoyées au service client et les relevés météo publiés en données ouvertes. Lequel des « 5 V » cette diversité illustre-t-elle ?


Lesquelles de ces données sont non structurées ? (plusieurs réponses)


Lesquelles de ces sources sont externes à l'entreprise ? (plusieurs réponses)


Le data scientist veut prévoir les ventes de plants de tomates de chaque magasin pour la semaine suivante, à partir des ventes des années passées et des prévisions météo. Quel type de modèle utilise-t-il ?


L'analyse automatique de 400 000 tickets (datamining) révèle que les acheteurs de terreau pour agrumes achètent souvent, à leur visite suivante, un engrais pour agrumes. Quelle utilisation commerciale en tirer ?


Une cliente achète au magasin de Nyons avec sa carte, commande en ligne avec retrait en magasin et écrit au service client : le conseiller trouve trois fiches différentes à son nom. Quel outil règle ce problème ?


Le site va proposer un assistant conversationnel d'intelligence artificielle qui conseille les jardiniers. Que prévoit le règlement européen sur l'IA ?


Clémence veut faire résumer par une IA générative 3 000 avis clients, exportés avec les noms, les e-mails et les numéros de carte. Que doit-elle faire ?