Version classiqueVersion mobile

La Fabrique de la vente

 | 
Emmanuel Kessous
, 
Alexandre Mallard

Chapitre 5. Du datamining aux outils de gestion

Enjeux et usages des « scores » dans la relation client

Marie Benedetto-Meyer

Texte intégral

1Depuis plus d’un demi-siècle, le travail de la vente auprès des particuliers connait des évolutions majeures sous l’effet de la multiplication, de la sophistication et de la prégnance des dispositifs de gestion appliqués à la « relation client ». L’introduction de méthodes de vente et d’indicateurs de performance, les pratiques de segmentation, la montée en puissance du marketing, sont autant d’évolutions initiées dès les années 1970 qui ont connu une accélération forte à partir des années 1990. Nous allons montrer dans ce chapitre combien la quantification, la mesure, l’argument statistique sont au cœur de ces transformations et structurent aujourd’hui fortement l’organisation de la relation client dans les grandes entreprises commerciales.

2La « gouvernance par les nombres » [Supiot, 2010] n’est, bien sûr, pas le propre à la gestion de la relation client. Mais, dans ce domaine, elle repose sur un outillage gestionnaire et technique extrêmement puissant, qui s’est développé au début des années 2000 sous le nom de CRM (customer rleationship management, ou GRC pour gestion de la relation client). Le CRM se fonde principalement sur la constitution de bases de données clients informatisées. Ces bases ont une importance stratégique. Elles permettent de centraliser des informations qui jusqu’alors étaient, dans nombre d’organisations commerciales, difficilement partagées, notamment entre les entités commerciales, administratives (le back office) et les services marketing [Benedetto, 2003 ; Kessous et Mounier, 2004]. Les bases permettent également, grâce à diverses méthodes de traitement dit de datamining, l’analyse, la segmentation fine de la clientèle et la réalisation de campagnes extrêmement ciblées.

3Nous proposons dans ce chapitre de nous intéresser précisément à ces méthodes de datamining (littéralement « forage de données »), à leur logique et à leurs enjeux. Nous allons voir que l’analyse statistique des données clients permet de répondre à deux objectifs fondamentaux, qui sont les deux enjeux principaux du CRM : il s’agit, d’une part, de mieux connaître et de tenter de « maîtriser » le « marché » des particuliers, de réduire la diversité et la complexité des informations les concernant, de catégoriser les consommateurs et de prévoir leur comportement (ce que les professionnels nomment le CRM analytique). Il s’agit, d’autre part, d’optimiser l’organisation de la relation client dans sa dimension interactionnelle, en rendant homogène le traitement des clients d’une catégorie, en réduisant et en optimisant les gammes de réponses possibles à ces catégories, et en normalisant les pratiques professionnelles (appelé CRM opérationnel). Nadège Vézinat [Vézinat, 2011] montre comment, dans le secteur de la banque, le « fichage des clients » sert autant à segmenter la clientèle qu’à uniformiser la relation client et, in fine, à ôter leur « pouvoir décisionnaire aux conseillers » bancaires. « Le fichage des clients procède à un contrôle croisé des clients et des conseillers financiers » avance-t-elle [Vézinat, 2011, p. 40]. Le datamining servirait autant à l’évaluation de la clientèle qu’à celle des salariés en relation avec cette clientèle.

  • 1 Depuis devenu Orange.

4Nous aimerions aller plus loin dans la compréhension de cette « double facette » des dispositifs de gestion de la relation client en analysant une technique particulière de datamining : le « scoring ». À travers l’étude fine de cette méthode au cœur du processus de segmentation des clients, nous allons montrer comment le double enjeu des dispositifs de CRM (comprendre le marché et rationaliser les pratiques commerciales) se construit, se diffuse, et se décline au sein de l’organisation. Pour étayer nos propos, nous allons suivre la « trajectoire » de ces méthodes dans une entreprise, France Télécom1, de leur conception à leur utilisation par les professionnels de la vente. En mobilisant les apports de la « sociologie de la gestion » [Metzger et Benedetto-Meyer, 2008] et de la sociologie de la quantification, nous allons « suivre à la trace la façon dont ces objets sont faits et défaits, insérés dans des rhétoriques réalistes ou non, à des fins de connaissance et d’action » [Desrosières, 1993, p. 12]. On s’interrogera sur la manière dont différents acteurs de l’entreprise utilisent ces méthodes statistiques pour en faire des dispositifs de gestion au service de leurs enjeux. La volonté de quantifier, de mesurer (les comportements des clients comme les pratiques des salariés) explique l’utilisation croissante de ces méthodes, même si chaque acteur n’y attache pas les mêmes objectifs. Nous verrons que la coexistence de ces logiques plurielles est source de malentendus, d’incompréhensions voire de tensions entre les acteurs de la vente, même si la validité même des outils et des méthodes ne semble jamais remise en cause.

  • 2 La majorité des entretiens a été réalisée avec Barbara Poulain, statisticienne à Orange Labs, qui a (...)
  • 3 Les résultats présentés ici portent essentiellement sur l’univers des produits téléphone fixe et In (...)

5Pour réaliser notre étude à France Telecom, nous avons procédé2, courant 2011, à deux séries d’entretiens. La première s’est faite auprès d’une dizaine d’acteurs chargés de la conception ou de la mise en place des outils de scoring à différents niveaux dans la relation client3. La seconde a été réalisée auprès de conseillers sur des plateaux téléphoniques équipés pour utiliser les scores dans la relation client : une vingtaine d’entretiens individuels avec ces conseillers, leur encadrement et leurs formateurs ont été complétés par des observations et des « doubles écoutes ».

6Après avoir analysé la manière dont sont conçus les outils de scoring par les dataminers, on s’intéressera à la manière dont ils sont mobilisés par les acteurs du marketing de la relation client, et structurent l’organisation des relations avec la clientèle. On étudiera enfin la manière dont ces outils s’inscrivent dans les pratiques des conseillers en contact avec les clients sur les plate-formes téléphoniques et sont mobilisés dans la relation directe avec les clients et dans l’évaluation des performances commerciales.

LES FAISEURS DE SCORES : DE LA COMPREHENSION À LA PREDICTION DES COMPORTEMENTS DES CLIENTS

7Commençons par décrire les méthodes de scoring, leur histoire et la manière dont elles sont conçues dans l’entreprise étudiée. Cette analyse nous permettra de montrer les enjeux de la quantification et les premières ambigüités dans la définition des outils destinés à mieux gérer la relation client.

Le scoring : une méthode au service d’objectifs multiples

  • 4 L’engouement pour les modèles prédictifs fondés sur des éléments statistiques n’est cependant pas n (...)

8Le scoring est une méthode récente4 qui consiste à affecter une note à un individu. Ce score ou cette note désigne la probabilité, pour cet individu, d’avoir un comportement donné (l’achat d’un produit par exemple), en fonction de certaines de ses caractéristiques. Dans le CRM analytique, les scores sont construits, à partir d’informations collectées dans des bases de données clients, par l’élaboration de modèles statistiques probabilistes permettant de prévoir ou de prédire des comportements comme les actes d’achat, les formes d’usage d’un bien, la fidélité à une marque, etc. La méthode repose sur l’étude de régularités statistiques des comportements des clients. Une personne ayant le même profil que quelqu’un ayant réalisé un acte donné a une forte probabilité d’adopter elle aussi cette conduite. Cette probabilité se traduit en note de score.

9Les premiers scores destinés à la relation client, utilisés dès les années 1970, ont été les scores de « risque », qui, dans les établissements de crédits et les banques, permettent de mesurer la probabilité qu’une personne rembourse – ou non – son crédit [Cusin, 2004 ; Ducourant, 2009]. Dans les années 1990, ces techniques ont permis, dans les mêmes établissements, de mettre en place progressivement une « segmentation par la rentabilité » [Lazarus, 2012], c’est-à-dire une segmentation des clients en fonction de leur capacité non plus seulement à rembourser un crédit mais également à souscrire de nouvelles offres (ce qu’on appelle un score d’appétence). Le glissement du score de risque à celui d’appétence a sans doute contribué à la forte expansion du datamining et à la diffusion de cette méthode. Celle-ci a progressivement été adoptée dans la plupart des entreprises commerciales disposant d’informations nombreuses sur les clients, qu’il s’agisse de données sociodémographiques ou de caractéristiques sur leurs comportements. Le score est en effet un outil qui suppose la manipulation de bases importantes et de variables nombreuses. Ainsi les secteurs de la banque, de la vente par correspondance (VPC) ou des télécoms sont progressivement devenus de grands utilisateurs de scores. En effet, les conditions d’exploitation de données y sont réunies : ces informations (qu’il s’agisse d’actes d’achat dans la VPC, d’opérations financières dans la banque ou de données d’usage et de trafic dans les télécoms) sont nombreuses, fréquemment mises à jour et facilement enregistrables automatiquement. Ces éléments permettent de s’assurer de la constitution de bases riches et conséquentes.

10Au sein de France Télécom, les scores sont essentiellement utilisés dans la relation téléphonique (les autres canaux, étant, du moins pour l’instant, très faiblement dotés d’outils de ce type). Les scores peuvent y être utilisés :

  • pour comprendre les comportements d’achat, et qualifier les types de clients équipés d’un produit ou service (c’est ce qu’on appelle le profiling de client) ;
  • pour « cibler » des clients ou prospects lors de campagnes réalisées par les centres d’appels dits sortants (c’est-à-dire les centres chargés d’appeler des clients ou des prospects pour leur proposer certaines offres), et aider à la définition précise des types de consommateurs à contacter. C’est ce qu’on nomme les « scores de ciblage » ;
  • dans les centres en appels « entrants » (c’est-à-dire les centres qui reçoivent des appels de consommateurs), les scores servent à qualifier les clients en distinguant ceux considérés comme « à potentiel » ou « à risque » (en fonction de leur propension à acheter ou, à l’inverse, à se désengager). À partir de cette segmentation, il s’agit d’une part de différencier les modalités de traitement de ces clients (routage des appels vers telle ou telle plate-forme téléphonique en fonction du type de client) mais également d’identifier les produits pour lesquels chaque client a le plus d’appétence. Le score (associé souvent à de simples « règles de bon sens »5 ) permet alors de faire apparaître, sur la fiche client informatisée consultée par un téléconseiller, des recommandations ou « push d’offre », c’est-à-dire une liste de produits pour lesquels le client est susceptible de manifester de l’appétence.

L’activité des dataminers : fiabiliser et améliorer des algorithmes

11Comment sont conçus ces scores ? Il est toujours difficile d’identifier, dans une organisation, le point de départ d’un processus, tant ceux-ci sont fortement imbriqués et suivent souvent des itérations complexes. Mais l’analyse de l’activité des dataminers qui conçoivent les algorithmes permettant d’attribuer les notes de scores, constitue ici un moyen de mettre en lumière de manière spécifique l’esprit dans lequel sont pensés, à ce moment précis de leur trajectoire, les outils de scoring.

12Les dataminers sont des professionnels de la statistique. De formation mathématique ou à dominante plus « marketing » (grandes écoles de commerce), ils occupent des fonctions variées. Au sein de France Télécom, certains dataminers travaillent dans l’entité R&D, et veillent à l’amélioration des modèles et des outils informatiques au cœur du datamining. D’autres ont intégré les directions commerciales et sont en charge de mettre les scores au service de ces entités opérationnelles. Concrètement, ces professionnels doivent répondre aux demandes de scores qui leur sont adressées, étudier leur pertinence et leur faisabilité, chercher des données nouvelles lorsque cela est possible pour enrichir les bases. Parmi ceux-ci, nous allons nous intéresser à ceux chargés de produire les scores pour les plate-formes téléphoniques. Leur activité est marquée, depuis plusieurs années, par une complexification croissante : les demandes de scores sont de plus en plus nombreuses, leur utilisation s’étend, les scores eux-mêmes intègrent de plus en plus de variables (jusqu’à 450, d’après les interviews réalisées). L’activité des dataminers consiste à fiabiliser des modèles mathématiques (élaborés à partir d’outils statistiques et probabilistes : régressions logistiques, arbres de décisions…) pour produire de nouveaux scores, ainsi qu’à tester et à améliorer sans cesse ceux déjà produits. Tous les mois, certains scores sont évalués et corrigés.

13Les dataminers sont donc des professionnels de la quantification, chargés de modéliser, à l’aide de données chiffrées, les comportements des clients et, pour reprendre les termes de François Vatin [Vatin, 2010, p. 167], de « réduire l’infini chatoiement du réel à un cadre métrologique qui en rend compte de manière simplifiée ». Ils participent à la construction de catégories abstraites, difficilement observables empiriquement. En effet, les segmentations deviennent si complexes qu’il est vain d’essayer de les résumer à quelques variables simples comme l’âge, le niveau d’équipement ou un usage spécifique des outils de téléphonie. Cette complexité rend dès lors la pratique du profiling (définie plus haut comme une potentielle exploitation des scores) de plus en plus difficile et rare. Si le datamining est donc un outil majeur du CRM analytique dont nous avons dit plus haut qu’il sert à « maitriser le marché », le travail de catégorisation des individus qu’il permet sert moins à comprendre les comportements qu’à les prédire. Tout se passe comme si les outils de la statistique servaient non pas à rendre compte d’une réalité, mais à en construire une « nouvelle », distincte de la réalité empirique, illustrant d’une certaine manière les propos d’Alain Supiot lorsqu’il met en garde contre les « mirages de la quantification » et la « boucle spéculative où la croyance en des images chiffrées se substitue progressivement au contact avec les réalités que ces images sont censées représenter » [Supiot, 2010, p. 81].

Une logique de prédiction au détriment de la compréhension

14Deux éléments expliquent l’incapacité à faire du scoring un outil d’analyse des déterminants sociaux des comportements des clients :

  • Tout d’abord, le fait que les scores soient issus d’un nombre très élevé de variables rend difficile la démonstration de liens entre ces variables. En effet, un score sera considéré comme pertinent non pas s’il permet de valider certaines hypothèses (« les jeunes envoient beaucoup de SMS », par exemple) mais s’il permet simplement de montrer des corrélations entre un nombre très important d’éléments, sans qu’on puisse les distinguer, les qualifier ou les expliquer. C’est la corrélation qui rend la variable pertinente, pas sa nature. Pour le sociologue qui s’attend à ce que la statistique permette d’identifier des variables discriminantes, tout se passe comme si la raison métrologique s’était emparée des outils des sciences sociales pour les éloigner de leur logique première : l’identification de corrélations devient une finalité et non une étape dans l’analyse.
  • La seconde limite pour l’analyse des données vient de la nature même des informations qui servent à nourrir ces scores. En effet, les données sur les clients sont recueillies au moment de la souscription à un contrat (parfois lors de la souscription à une carte de fidélité) ou bien, comme on l’a dit plus haut, proviennent de données d’usage (passages en caisse, données de trafic…). Les données disponibles sur les clients de France-Télécom sont, comparativement à d’autres secteurs, faiblement composées de données sociodémographiques (âge, sexe, CSP, composition du foyer…). Le renseignement de ce type de données est en effet limité lors de la souscription à un abonnement. En revanche, les bases sont très riches en données relatives aux équipements des clients, à leurs usages (volumétrie d’appels par exemple), même si des contraintes juridiques limitent l’accès à certaines informations, comme celles sur les historiques de surf par exemple, qui ne peuvent être compilées dans les bases par les opérateurs. Dans certains cas, les dataminers trouvent des moyens de contourner ces contraintes : certaines informations manquantes sont par exemple interprétées à l’aide d’autres scores. Ainsi, l’âge d’une personne peut être estimé à partir d’autres variables, dont notamment son prénom (c’est ce qu’on appelle le « score prénom »)6.

15Ces lacunes et contraintes participent au fait que ce soit moins une logique de compréhension ou d’analyse qu’un objectif de prédiction qui anime les scoreurs.

L’évaluation la performance d’un score : qu’est-ce qu’un score « juste » ?

  • 7 Même si, dans les faits, la « robustesse » des scores est également visée, c’est-à-dire leur capaci (...)

16Une grande partie de l’activité des scoreurs consiste à évaluer les scores qu’ils ont produits, dans le but de les améliorer. Cette évaluation des scores se fait en comparant les comportements (par exemple les achats) concrètement enregistrés par les clients dits « scorés » (identifiés comme devant avoir ce comportement) et des « échantillons blancs » (clients pris aléatoirement). On peut donc dire que pour ces professionnels, les scores sont « justes » s’ils sont capables de bien prédire les comportements. L’indicateur de la performance du score est son taux de prédiction (dans le jargon, le « taux de lift »)7. Or ces taux de prédiction sont élevés. Cette « qualité » des scores produits est bien sûr au fondement de la légitimité de ces méthodes et contribue à leur accorder confiance, en dépit de leur incapacité à rentrer dans la compréhension des phénomènes observés.

17Cette perception des scores est-elle partagée dans l’organisation ? Si la gouvernance des nombres, la croyance dans la quantification n’est pas remise en cause par la grande majorité des acteurs rencontrés dans le cadre de cette enquête, nous avons cependant noté, dans les entretiens, que le score change de statut, ou plutôt qu’il ne répond pas aux mêmes attentes lorsqu’il est mobilisé non plus par les dataminers mais par les professionnels en charge de l’organisation de la relation client qu’on appellera ici, par commodité, les « marketeurs de la relation client » (responsables marketing chargés de définir les processus de ciblages utilisés dans les campagnes commerciales, spécialistes du système d’information chargés d’introduire des scores dans les dispositifs de CRM, personnes occupant des fonctions « support » sur des plate-formes téléphoniques, etc.).

18En effet, on va le voir, le score devient pour eux un outil d’aide à la décision. Il permet l’organisation et la rationalisation de la relation client. Cette nouvelle manière de se saisir de cet outil a une incidence sur la « preuve » attendue de sa performance. Un « bon » score doit cette fois non plus bien prédire mais être efficace commercialement (c’est-à-dire permettre des gains de rentabilité). Nous allons voir concrètement la manière dont cette nouvelle lecture des scores s’inscrit dans les pratiques des professionnels interrogés.

DU MODÈLE PRÉDICTIF À L’OUTIL DE GESTION

  • 8 Qui se fondent d’ailleurs, elles aussi sur des données « comportementales » même si les typologies (...)

19L’objectif de notre travail est de suivre la « trajectoire » des méthodes de scoring dans l’organisation. Force est de constater que ce parcours va connaître des inflexions en fonction de la forme même de cette organisation. Or l’organisation de France Télécom se caractérise par sa grande complexité et le fort cloisonnement de ses entités. Ces frontières étanches et le manque de partage d’informations expliquent sans doute le fait que, malgré des interactions fréquentes entre les différents acteurs impliqués dans la conception et les usages des scores, on puisse observer de forts écarts dans la perception même de ces outils. À titre d’illustration, mentionnons que l’analyse des scores d’appétence ne sert pas, ou de manière marginale et indirecte, à la conception des produits et services. On observe des relations ténues entre les dataminers en charge de l’organisation de la relation client et les professionnels impliqués dans la conception des nouvelles offres. Ces derniers ont leurs propres outils de recueil et d’analyse de données pour comprendre les usages et segmenter leurs cibles8. Mais les segmentations construites lors de la conception des offres ne seront pas reprises lors du lancement d’un produit, par exemple, par les personnes en charge de l’organisation d’une campagne marketing : le choix des catégories de clients à appeler va se fonder sur les retours de campagnes marketing précédentes (pour des produits similaires ou proches), et traduits sous formes de scoring par les dataminers de la relation client.

20Étudions alors de manière précise la manière dont le scoring va s’inscrire dans les pratiques de ces professionnels en charge des campagnes et devenir un élément structurant sur l’organisation de la relation client en centre d’appels.

La rigueur statistique aux prises avec les enjeux commerciaux

Le cas des appels « sortants » ou la « tambouille des vingtiles »

21Prenons l’exemple du lancement d’une nouvelle offre. Celui-ci va s’appuyer sur la réalisation d’une campagne d’appels vers des clients ou prospects, effectuée par des centres d’appels dits « sortants » (appelés ainsi car ce sont les téléopérateurs qui contactent les consommateurs et non l’inverse). Pour cette campagne, les notes de score vont permettre d’identifier les listes de personnes (issues des bases de données) à contacter, en classant ces personnes en fonction de leur propension à souscrire à cette offre. Ce classement se fait concrètement sous forme de déciles ou de vingtiles (le premier décile correspondant au dixième de la population ayant la plus forte appétence au produit). Or, il peut arriver qu’une campagne nécessite d’appeler un très grand nombre de clients, pour atteindre un certain volume de vente souhaité. Dans ce cas, il se peut que ce ne soient pas seulement les clients des tous premiers vingtiles qui soient contactés (s’ils ne sont pas assez nombreux), mais également les clients des vingtiles inférieurs, même si leur appétence est faible. Dans ce cas, le volume de vente à atteindre détermine le nombre de personnes à contacter, et non les pronostics des scores. Une marketeuse explique :

« On veut qu’il y ait suffisamment de volumétrie […] Donc, il faut qu’on ait une base assez conséquente, pour avoir un minimum de chances que ces clients, on les ait au téléphone » (responsable de l’analyse des campagnes marketing).

22Or, il n’est pas rare de constater, lors d’une campagne, que les quatre-vingt dix premiers centiles d’une population ont été contactés… ce qui réduit sensiblement l’intérêt du score. Les marketeurs de la relation client en sont conscients :

« C’est plus simple de descendre dans les vingtiles que d’attaquer un autre critère [c’est-à-dire utiliser un autre score], même si on sait que le taux de réussite baisse très vite » (responsable de l’analyse des campagnes marketing).

23Finalement, dans l’analyse de la campagne, le scoring peut donner l’impression d’être peu efficace, alors que c’est le volume de clients appelés qui était inadapté aux préconisations des scoreurs. Conscients de ces difficultés, les dataminers tâchent de guider les marketeurs de la relation client dans leurs choix.

« On livre une vingtaine de scores au marketing direct chaque mois, et on fait des notes [pour] suggérer le nombre de vingtiles à utiliser etc. Mais on ne sait pas ce qui va être utilisé : le périmètre est déterminé en fonction des priorités du marketing […] En analyse, on sait après jusqu’où le télémarketing est descendu dans les vingtiles […] et on essaie de comprendre pourquoi » (Responsable conception des scores pour le marketing direct).

24Lors des entretiens, les dataminers ont plusieurs fois utilisé le terme de « tambouille » pour désigner ces choix des marketeurs, désignant ainsi le fait que les décisions se font par tâtonnements en fonction des « retours terrain » (sur l’efficacité des campagnes), des impératifs de vente et des orientations stratégiques. Pour eux, cette pratique peu rigoureuse nuit à la démonstration de l’efficacité des scores. Les discussions entre dataminers et marketeurs sont fréquentes sur ce point, mais, comme nous allons le voir, leurs logiques respectives dans l’utilisation des scores freinent la compréhension réciproque.

Le cas des appels « entrants » : construire les bonnes catégories

25On retrouve cet écart de logique dans l’utilisation des scores dans les centres d’appel « entrants ». Le scoring y est utilisé de deux manières :

  • il sert d’une part à qualifier les clients en fonction de leur profil, en distinguant par exemple les clients ayant un fort potentiel d’achat (tout type de produit confondu), ou ceux qui, à l’inverse sont qualifiés de « fragiles » car présentant un fort risque de désengagement vis-à-vis de l’opérateur. Concrètement, lorsqu’un client scoré appelle la plate-forme téléphonique, son numéro de téléphone a été associé à un profil, et il est automatiquement orienté vers une plate-forme téléphonique dédiée à ce profil9.
  • par ailleurs, le score est utilisé pour indiquer aux conseillers, dans les applications informatiques, quels sont les produits spécifiques pour lesquels les clients appelants ont une appétence. Concrètement, une liste de produits (jusqu’à trois) que l’on appelle « push d’offre » apparaît dans un champ particulier de la fiche client informatisée. Le conseiller client n’est pas obligé (du moins dans les centres dont nous parlons ici) de proposer les offres pushées au client.

26Dans les deux cas, le fait de mettre des outils de scoring au service des enjeux de l’organisation commerciale va nécessiter, comme pour les appels sortants, de faire conjuguer les résultats des scores avec des impératifs commerciaux. Ainsi, le nombre de clients qualifiés de « fragiles » (et orientés vers une plate-forme dédiée à la rétention des clients) ne doit pas être trop élevé. En effet, ces clients bénéficient d’un traitement privilégié (temps d’écoute plus important, « gestes commerciaux » plus fréquents…) et donc plus onéreux pour l’entreprise. Les acteurs de la relation client vont donc intervenir auprès des scoreurs pour déterminer avec eux comment construire des catégories dont la taille soit compatible avec des contraintes commerciales. De la même manière, parmi les offres « pushées », les marketeurs arbitrent pour mettre en avant les produits et services qui font partie des plans commerciaux du moment (fondés sur des enjeux de rentabilité ou de politique marketing).

27On voit ici que, si les dataminers sont très attachés à la solidité intrinsèque de leurs scores, les acteurs de la relation client sont davantage enclins à allier la rigueur statistique à l’efficacité commerciale de ces outils.

« Toute cette usine à gaz est tout de même au service de l’atteinte des objectifs commerciaux ! » (Responsable segmentation clients).

28En toute logique, pour les marketeurs, l’évaluation des scores va se fonder sur sa capacité à améliorer la performance des campagnes commerciales. Les objectifs en termes de résultats commerciaux justifient les ajustements que l’on vient de décrire dans la catégorisation des clients (afin de « maîtriser » le nombre de clients pour chaque catégorie) comme dans les biens proposés : si un client est très appétant à un produit peu rentable, celui-ci ne sera pas mis en avant. Il s’agit en quelque sorte d’une contrainte supplémentaire dans la lecture de l’efficacité des scores : ces derniers ne doivent pas se contenter de « bien prédire » les comportements, ils doivent aider à orienter ces comportements vers ceux souhaités. On observe donc un glissement dans les usages et les attentes vis-à-vis des scores.

29Ce glissement se retrouve dans le choix des modalités et des dispositifs d’évaluation mobilisés par les marketeurs comme pour les dataminers dans l’analyse des « retours de campagne ».

Le taux de transformation comme système de preuve

30Comme on peut s’en douter dans une organisation commerciale, les performances des vendeurs font l’objet de mesures nombreuses et rigoureuses. Parmi les indicateurs classiques, le « taux de transformation » tient une place centrale. Il correspond au nombre de ventes sur le nombre de contacts total d’un conseiller sur une durée donnée. S’appuyant sur cet indicateur « prégnant » [Boussard, 2002], les marketeurs impliqués dans la mise en place et le suivi des scores vont mesurer l’efficacité de leur méthode en comparant le taux de transformation des clients « scorés » et « non scorés ». Cette mesure, qui permet aux dataminers d’analyser la force prédictive des algorithmes, va être utilisée par les marketeurs de la relation client pour évaluer leurs propres actions (réussite des campagnes, des plans marketing…).

31La lecture de cet indicateur est pourtant rendue difficile en raison des pratiques que l’on vient d’énoncer (choix dans les vingtiles, redécoupage de certaines catégories…). D’autres éléments complexifient encore la compréhension des résultats des campagnes. Pour les appels « entrants », le calcul du taux de transformation se heurte en effet à des biais importants, liés aux nombreuses variables intervenant dans le résultat d’une vente et qui sont difficiles à isoler : les qualités commerciales du téléconseiller (liées à ses compétences, son profil…), les systèmes de primes et autres incitations financières liées à la vente, la qualité intrinsèque du produit et du rapport qualité/prix perçu, et enfin les éléments plus périphériques (actualité économique et sociale, image de l’entreprise, qualité des offres concurrentes, etc). Pour pallier ces risques de biais, l’analyse des « retours terrain » ne se fonde, idéalement, que sur l’analyse de données en grand nombre, afin de réduire l’impact lié aux particularités des personnes ou aux produits.

32D’autres éléments doivent être également signalés comme freins dans le calcul des « impacts » sur les ventes :

  • le fait qu’un client à qui l’on présente un produit (que cela soit lors d’une campagne ou au cours d’un échange avec un téléconseiller) n’achète pas tout de suite mais prend un temps de réflexion et, peut-être, finit par utiliser un autre canal de vente pour réaliser son achat (déplacement en boutique ou achat en ligne). Dans ce cas, les ventes ne sont pas comptabilisées comme étant liées à l’appel du client (aucune trace des contacts téléphoniques n’apparaît dans les bases de données en boutique, par exemple).
  • les difficultés en raison des problèmes de rafraîchissement des bases. En effet, le volume des bases et la complexité de l’extraction des données induit des délais importants dans la production et le rafraichissement des scores. Les données relatives aux contrats mettent du temps à être enregistrées, traitées et mises à disposition des conseillers, si bien qu’un temps de latence important est nécessaire avant que les bases ne soient réactualisées. Ce délai est source de dysfonctionnement, comme le regrette un dataminer : « Un des problèmes des scores c’est que, comme le disent les vendeurs, ils prédisent tellement bien le churn10 que quand on appelle le client il est déjà parti ! » (Responsable conception des scores pour le marketing direct).

33Il arrive en effet qu’un conseiller essaie de contacter un client dit « fragile »… au moment où ce dernier a déjà changé d’opérateur ! Dans ce cas, l’appel est considéré comme infructueux, sans que cela soit lié directement aux scores. Aussi peut-on dire que les choix réalisés par le marketing et les biais énoncés rendent difficile l’évaluation « réelle » des campagnes et l’efficacité des scores.

34Malgré la fragilité de ces indicateurs, ces derniers sont pourtant au cœur de la justification des méthodes de scoring, et des choix d’amélioration des algorithmes (par les dataminers) comme des actions commerciales (par les marketeurs de la relation client). L’interprétation des indicateurs fait l’objet de réunions et d’échanges nombreux entre acteurs du marketing et dataminers. Il est intéressant de noter que les discussions ne semblent pour autant ni remettre en cause la légitimité des méthodes de scoring ni au fond résoudre les difficultés liées aux logiques différenciées d’usage des scoring par les différents acteurs impliqués.

« En termes de gains, nos scores sont bons, et les problèmes ne viennent pas de la modélisation ! Le problème, ce n’est pas les scores mais le SI et les délais d’utilisation des scores » (Dataminer responsable de la conception des scores pour le marketing direct).

35Pour reprendre le constat de Marion Gilles [Gilles, 2012] à propos des indicateurs de santé au travail, « les indicateurs statistiques, en proposant des catégories de perception et de découpage de la réalité, encadrent les interprétations » mais ils ne semblent pas, en eux-mêmes, discutables. Ainsi on a pu relever, lors des entretiens, que certains dataminers souhaiteraient intégrer, dans les scores, les résultats des campagnes, comme une des sources de données sur les clients et sur leur comportement (i. e. leur réaction aux sollicitations des conseillers en centres d’appel). Cette demande peut paraître étonnante, compte tenu des nombreux biais qu’on vient de citer, et qui faussent l’analyse des taux de transformations. Elle révèle cette croyance forte dans les outils et dans les indicateurs de la part des professionnels de la quantification.

36On voit donc ici combien l’élaboration des méthodes de datamining rencontre, dans sa trajectoire, de nombreuses contraintes techniques, organisationnelles ou liées aux impératifs commerciaux qui l’éloignent de la rigueur statistique. Dans le même temps, on observe également combien la valorisation et la croyance dans la quantification rendent légitimes ces outils de mesure et de prédiction. En nous intéressant aux utilisateurs des scores qui sont en relation directe avec les clients, nous allons voir à présent, que ces acteurs, mettant encore davantage le scoring au service du « CRM opérationnel » (qui vise la rationalisation des pratiques de vente), se confrontent plus encore aux contraintes organisationnelles et de gestion. Les usages du scoring, la mesure de son efficacité, et son poids dans l’organisation s’en trouvent encore amenés à évoluer à ce stade du parcours des scores.

DE L’OUTIL DE GESTION À L’OUTIL D’AIDE À LA VENTE : LES USAGES DES SCORES EN CENTRES D’APPELS

Le scoring, élément structurant dans les centres d’appels

37Si l’analyse du travail des marketeurs nous a permis de montrer le caractère structurant du scoring sur l’organisation de la relation client, regardons à présent en quoi ce dispositif est également déterminant dans la relation avec les clients elle-même, c’est-à-dire au cours des interactions en situation de vente. Pour les dataminers, le scoring sert à prédire les comportements des clients, et pour les acteurs du marketing, il vise à augmenter l’efficacité des campagnes. Pour les personnels en charge du management des « forces de vente », il acquiert encore un autre statut : le score devient ici un moyen de rationaliser l’activité des conseillers clients sur les plate-formes téléphoniques et de les évaluer.

38Dans les centres d’appels sortants, les conseillers n’ont pas de marge de manœuvre dans l’utilisation des scores : ces derniers déterminent en amont quels clients appeler. Dans les centres d’appels entrants, en revanche, les conseillers ont plus de latitude dans l’utilisation des données issues du scoring. En effet, si l’orientation des clients appelants se fait de manière automatique en fonction de leur catégorie, sans que cela ne suppose aucune intervention des téléopérateurs, ce « routage » a des incidences fortes sur l’organisation du travail et les pratiques de vente. Cette orientation automatique des appels va en effet de pair avec une forte différenciation et spécialisation des téléopérateurs en fonction des types de clients et de demandes : par exemple, les clients « fragiles » étant davantage susceptibles d’appeler pour résilier leur abonnement, les conseillers qui prennent leurs appels sont spécialisés dans l’argumentation commerciale dite de « rétention » des clients. Leurs objectifs de productivité (nombre d’appels à l’heure) sont moindres (pour leur laisser plus de temps dans l’argumentation). Ces conseillers disposent par ailleurs de la possibilité de réaliser des « gestes commerciaux » (par exemple des réductions sur les prochaines factures…) à la différence des autres conseillers.

39Les « pushs d’offre » qui apparaissent sur la fiche client informatisée en début d’appel ont également des incidences fortes sur les pratiques de vente. Certes, ils ne sont que « suggérés » aux conseillers, qui ont la possibilité de les proposer ou non au client, mais il est important de noter que le système de rémunération les incite à les utiliser dans la relation client : les produits « pushés » sont en général ceux prioritaires dans les plans marketing… et leur vente est plus rémunératrice en termes de prime pour les vendeurs. En outre, ils permettent de connaitre immédiatement les produits pour lesquels le client est appétant et semble en un sens dispenser le conseiller de pratiquer un diagnostic et une analyse des besoins de l’appelant. Ce gain de temps potentiel est un enjeu fondamental pour cette activité marquée par une pression temporelle forte (durées d’appels limitée,…) et un suivi omniprésent de la productivité.

40Ces évolutions sont intéressantes à analyser. Elles semblent dans un sens accorder plus de marges de manœuvre aux conseillers (notamment pour ceux dédiés aux clients « fragiles ») mais, d’un autre côté, elles peuvent être entendues comme une volonté de nier leurs capacités d’analyser les demandes des clients, de construire leurs propres formes de catégorisation et de choisir par eux-mêmes, parmi les offres possibles, celle qui sera la plus adaptée aux clients. D’une certaine manière, on pourrait voir dans le score un moyen de « soustraire la relation commerciale aux hommes et la livrer aux instruments » [Vézinat, op. cit, p. 39]. Si ce constat semble en partie s’appliquer à cette situation, il doit cependant être nuancé, dans la mesure où les conseillers ne sont pas obligés de se conformer aux suggestions de produits proposés par le système d’information. Nous allons voir en effet qu’ils disposent, en la matière, d’une marge de manœuvre… et qu’ils utilisent, de fait, peu les pushs d’offre proposés dans l’entretien de vente.

« Manager les scores » : l’incitation à l’usage des scores dans la relation téléphonique ?

41Notons, au préalable, que les dataminers ont assez peu de connaissances sur la manière dont les pushs d’offre sont utilisés par les conseillers. En effet, dans leur logique, l’efficacité des scores ne fait pas rentrer, dans sa construction, la question des usages par les conseillers. La « volumétrie » semble gommer pour eux les effets induits par des disparités d’usage. Pourtant, rien n’indique, dans le « taux de transformation », que le conseiller a proposé à son client le produit recommandé grâce aux scores.

42Pour les marketeurs en revanche, et encore plus pour les managers dans les centres d’appels, il semble plus important de savoir si les pushs d’offre sont utilisés pour donner plus de crédibilité aux « retours de campagne ». Dans cette optique, un des acteurs du marketing est chargé de promouvoir l’utilisation des scores dans les centres d’appels entrants. Pour cela, il réalise ce qu’il appelle un « benchmarking des taux de transformation », c’est-à-dire une analyse comparée des résultats des centres d’appels, régions par régions, diffusée à l’encadrement opérationnel. Cette pratique de comparaison lui permet de suivre les taux de transformation et d’interpréter les différences qui ressortent de l’analyse. Pour ce marketeur de la relation client, le « taux de transformation » acquiert un nouveau statut, puisqu’il devient un indicateur du taux d’utilisation des scores. Cette manière de lire et d’utiliser les scores est partagée par plusieurs acteurs opérationnels (les conseillers clients, leurs managers et leurs formateurs).

43Mais au-delà de l’action de « benchmarking » évoquée ci-dessus, la formation des conseillers et l’incitation à utiliser les pushs d’offre ne fait pas l’objet d’une politique centralisée : chaque région, voire même chaque plateau téléphonique, dispose d’une grande marge d’initiative en ce qui concerne le « management des scores » (selon la terminologie utilisée par les acteurs rencontrés), ce qui n’est pas de cas de tous les outils d’aide à la vente.

44De fait, le « management des scores » prend des formes très variées d’une région à l’autre. Si, en règle générale, les responsables de plateaux mettent en place quelques actions d’information et de communication peu ambitieuses, une région semble cependant s’être dotée d’une véritable politique d’incitation à l’utilisation des scores. Sous l’impulsion d’un manager régional persuadé à titre personnel de l’utilité des scores, toute cette région pratique un « management des scores » qui repose sur une palette d’actions et de dispositifs articulés entre eux :

  • des efforts de communication de la part de la direction régionale lors des réunions périodiques avec l’encadrement de proximité ;
  • des actions de formation, d’accompagnement, de diffusion de « bonnes pratiques » (comme l’identification de « phrases types » utiles pour faire proposer une offre « pushée ») par l’encadrement opérationnel et les formateurs locaux ;
  • la diffusion de tableaux de comparaison des « taux de transformation », inspirés de ceux du national, mettant en concurrence cette fois les plateaux téléphoniques entre eux et les équipes au sein de chaque plateau ;
  • la prise en compte du taux de transformation dans la rémunération variable des conseillers et de leur manager ;
  • un effort pour expliciter aux conseillers la logique de construction des scores11.

« Les conseillers se demandent comment on peut savoir ça et ça…. je leur explique que c’est des ‘‘ profils type de clients’’, par exemple… » (formateur, centre d’appels entrants).

45On remarquera ici que le « taux de transformation » acquiert alors deux fonctions :

  • Il sert d’une part de preuve de l’efficacité des scores (puisqu’il permet de montrer que le taux de transformation est plus important pour les clients « scorés » que « non scorés ») : « Ce sont des preuves que ça marche » (manager en centre d’appels sortant).
  • Il sert également pour évaluer les conseillers, les inciter à utiliser ces outils. Ce nouvel usage implique un nouveau glissement dans la « lecture » du scoring : le taux de transformation est utilisé à une échelle individuelle. Il n’est plus un indicateur qui a du sens à un certain niveau d’agrégation, malgré les biais évoqués plus haut.

46On peut alors voir clairement émerger, à cette étape du parcours des scores et dans cette région, un nouveau statut des outils de scoring comme dispositifs de gestion au sens où ils « visent l’organisation du travail en affectant et prescrivant les tâches ; ils en contrôlent la bonne exécution ; ils interviennent dans l’évaluation des personnels et de leur performance » [Maugeri, 2006, p. 14]. On y décèle en effet le triple discours (« un discours sur le problème, un discours sur la solution et un discours sur l’effet ») au fondement d’une rhétorique gestionnaire, selon les définitions qu’en donnent les travaux des critical studies [Abrahamson, Fairchild, 1999] repris par Valérie Boussard [Boussard, 2008, p. 197]. Le « discours sur le problème » se centre ici sur la difficulté à pratiquer deux étapes clés d’une conversation téléphonique avec un client : l’étape de la « découverte du client » [Kessous et al., 2005] qui suppose de cerner les besoins du client, et la pratique du « rebond commercial » [Licoppe, 2006] qui désigne le fait pour un conseiller de proposer au client, en fin d’entretien, donc après avoir répondu à sa demande initiale, un produit additionnel ou une offre pour laquelle il n’appelait pas. Or, ces aspects de la vente sont réputés comme étant difficiles pour les conseillers. Le rebond est particulièrement ardu à pratiquer puisqu’il suppose de faire naître chez l’appelant l’expression d’un besoin nouveau, distinct du motif pour lequel il appelait, et plus encore, de transformer ce besoin en décision d’achat immédiate. Il est alors intéressant de constater que l’utilisation des pushs d’offres est présentée, par un formateur, comme un moyen de résoudre les difficultés de ces actes. Le « discours sur la solution » repose en effet sur l’idée selon laquelle les pushs d’offres permettent :

  • d’une part de gagner du temps dans la découverte du client (en identifiant immédiatement à quel produit il est appétant) ;
  • d’autre part de pratiquer la « vente appropriée » (par opposition à une vente forcée ou inadaptée) et générer de la satisfaction client : « Le client va se dire ‘‘ super, on a répondu à mon attente et en plus on m’a fait découvrir un produit que je ne connaissais pas, très adapté’’ » (formateur, centre d’appels entrants).

47On voit dans ce verbatim une manière totalement nouvelle de lire le « scoring » et de construire le « discours sur l’effet » (qui s’appuie alors sur l’analyse des taux de transformation) : le score devient un moyen de faciliter une pratique commerciale difficile, dans le double sens de la rendre plus acceptable ou légitime (il s’agit de proposer un produit qui répond à un besoin du client) et plus aisée à réaliser (grâce aux gains de temps). Le push d’offre est présenté ici comme un moyen de résoudre deux tensions ou contradictions « classiques » dans l’activité des centres d’appels [Russell, 2008] : concilier découverte du client et contraintes temporelles d’une part ; concilier objectifs de vente et satisfaction client d’autre part. « C’est grâce à ça qu’on gagne quelques points sans l’atteinte des [objectifs]. C’est un petit bonus » (Formateur, centre d’appels entrants).

48Il est amusant de relever que ce discours passe sous silence toute la démarche de mise en conformité avec la rationalité commerciale décrite plus haut (et notamment des arbitrages pour que les ventes soient conformes aux plans marketing stratégiques) : le score est présenté ici comme un moyen de concilier l’exigence de répondre à une demande du client et la nécessité de réaliser des ventes, sans tenir compte du fait que tous les produits auxquels un client est appétant ne sont pas proposés dans le « push d’offre » (seuls apparaissent ceux qui sont les plus rentables). Malgré le discours rhétorique porté par certains managers opérationnels autour du scoring, ces mêmes acteurs reconnaissent les faibles usages des pushs d’offre par les conseillers :

« Je pense que un tiers des conseillers l’utilise […] Il faut en parler tout le temps, il faut jamais lâcher l’affaire, sinon ça retombe dans l’oubli » (Manager, centre d’appel entrants).

Usages du scoring dans les entretiens de vente

49Les entretiens et observations réalisés dans plusieurs centres d’appels nous ont permis de connaître la manière dont, au bout de leur « parcours », les scores sont intégrés aux pratiques de vente. Des écarts importants existent entre les centres même si, de manière générale, il s’agit d’outils peu utilisés. En effet, si les téléconseillers connaissent globalement bien l’existence des scores et leur utilité, rares sont ceux qui les mobilisent au cours de l’entretien téléphonique. Au moins sont-ils consultés, « pour information », par des conseillers. Quant aux indications sur le profil général de l’appelant (« fragile », « à potentiel »…), elles sont très peu regardées, la spécialisation des centres d’appel par type de client ayant, de fait, rendu cette information moins utile : on sait, a priori, à quel type de client on a affaire quand on travaille sur un plateau téléphonique.

50Relevons simplement que, dans le centre réalisant un fort « management des scores », les conseillers déclarent davantage connaitre et utiliser les pushs d’offre : dans ce centre, la quasi-totalité des conseillers interviewés déclare consulter ces offres dans la fiche client, au moment du démarrage de l’entretien. Certains « jettent un coup d’œil », d’autres notent ces offres sur un papier pour s’en souvenir au cours de l’entretien ou en toute fin d’appel. Mais ces pratiques se développent davantage sous l’effet des politiques incitatives que par véritable conviction :

« On a fait des challenges : dans la journée on note tous les [pushs] et on les utilise systématiquement. Mais c’est super lourd, [et] ça marche pas ! Quand on a l’habitude d’un discours commercial… c’est difficile de changer ! (conseiller client, centre d’appels utilisateur des pushs).

51Plus précisément, deux limites apparaissent, à travers les interviews des conseillers, dans l’usage des pushs d’offres. Premièrement, conformément à ce qui est énoncé par les managers, c’est bien la démarche de rebond qui semble poser problème dans l’usage des scores, et non l’outil en lui-même. Dans un des centres visités, un conseiller explique :

« À chaque fois que je les ai utilisés ça m’a aidé pour mon rebond ! Malheureusement, je n’ai pas toujours le temps ou la possibilité, suivant le type d’appel, de le tenter… » (Conseiller client, centre d’appels peu utilisateur des pushs).

52L’idée selon laquelle les outils issus du score permettent de mieux « satisfaire » le client en lui proposant une offre adaptée n’est, par ailleurs, pas partagée par les conseillers :

« Ce [push] propose un forfait dont le client n’a pas besoin, puisqu’il consomme moins ! Si je lui place ça, il va payer plus et sera moins satisfait ! » (Conseiller client, centre d’appels peu utilisateur de pushs).

53On imagine dans ce cas que l’offre pushée était légèrement « surdimensionnée » pour les besoins du client, mais qu’elle répondait aux impératifs commerciaux et a été privilégiée, dans l’algorithme, à d’autres possibilités peut-être plus adaptées. Le conseiller ne semble pas connaître cette possibilité et estime dans ce cas que le score « se trompe ».

54Le deuxième grand frein est lié au manque de confiance dans les outils de scoring, lié en grande partie à une méconnaissance de leur logique de fonctionnement. Ainsi, l’idée même selon laquelle les pushs d’offres ne se fondent que sur des probabilités, et ne sont donc par définition pas tous « exacts », n’a pas toujours été explicitée aux conseillers. Ces derniers s’étonnent que le scoring ne « marche pas », et qu’ils essuient des refus lorsqu’ils proposent les offres pushées. Les conseillers sont, en effet, souvent confrontés à des consommateurs peu concernés par les produits proposés par le moteur, soit qu’ils soient déjà équipés (problème de rafraichissement de données) soit que leurs choix individuels, pour un certain nombre de raisons non « scorées », ne les incitent pas à acheter le produit proposé. Dès lors, certains conseillers jugent le dispositif peu fiable voire erroné, et pour ce motif, refusent de se fier aux indications issues des modèles de scoring.

55Dans le centre d’appel au sein duquel une incitation forte à utiliser les scores est pratiquée, les scores sont bien davantage connus et consultés par les conseillers, et moins taxés d’outils erronés. La « pédagogie » des scores semble avoir eu ici un effet positif sur la perception des outils dans leur ensemble. Mais même dans ce centre où les conseillers ont l’impression de connaître les principes du scoring, on a pu relever des interprétations parfois inexactes sur les pushs d’offres :

« Si [le scoring] affiche deux produits [à proposer au client], c’est qu’il a une résidence secondaire » (Conseiller, centre d’appels fort utilisateurs de pushs).

56Cette lecture du score est ici clairement erronée : la présence de deux produits « pushés » ne signifie pas que le client a deux résidences mais simplement qu’il est susceptible d’être appétant à deux types de produits. Plus encore, certains conseillers, sans comprendre exactement la manière dont sont conçus les scores, se fondent sur l’observation de relations entre équipement et type de produit suggéré, pour en tirer des conclusions. Par exemple, le push d’offre leur sert à deviner un type d’équipement actuel d’un client, lorsque celui-ci est mal renseigné dans la système d’information.

« Ça donne des pistes, pour éviter de deviner ce qu’a le client, et ça c’est un vrai gain de temps dans la conversation téléphonique » (Conseiller client, centre d’appels fort utilisateur de pushs).

57On voit ici que les outils de scoring sont retraduits dans une logique davantage conforme à celle des pratiques commerciales des conseillers : il s’agit moins de « suivre » aveuglément les indications fournies comme s’il s’agissait d’un outil de cadrage de la relation téléphonique (à l’instar des « scripts »), que d’en faire un outil de prises ou d’indices (au même titre que d’autres supports comme le montant des factures ou l’historique des appels, etc.) pour aider au « diagnostic client ». Au fond, on assiste ici à une sorte de détournement de l’outil « push d’offre » dans un sens qui heurte moins la professionnalité des commerciaux et qui, sans les obliger à pratiquer le « rebond », les aident à comprendre la demande d’un client.

58Cet exemple éclaire la manière dont les conseillers en centres d’appels, comme les autres acteurs, inscrivent l’usage des scores dans leurs pratiques et tentent de leur faire résoudre certaines difficultés éprouvées dans l’activité de travail (pression temporelle, difficulté à diagnostiquer les besoins d’un client, etc.). Cependant, contrairement aux dataminers ou aux marketeurs, les conseillers émettent davantage de doutes sur l’efficacité des algorithmes. La confrontation des scores au « réel » semble ici révéler les faiblesses de ces méthodes et les discréditer.

CONCLUSION

59Quels enseignements tirer de cette description du cheminement des outils de scoring au sein de France Télécom-Orange ? Nos résultats confirment ceux de travaux déjà anciens [Berry, 1983] sur le caractère à la fois très plastique des outils techniques (puisque les mêmes algorithmes servent des intérêts et des enjeux multiples), et dans le même temps leur dimension structurante dès lors qu’ils sont incorporés dans des dispositifs de gestion, en l’occurrence ceux du CRM. À travers le récit du parcours des scores, nous avons vu que cette dimension gestionnaire prend des formes variées en fonction des groupes d’acteurs qui mobilisent le datamining dans leur activité : le scoring est tantôt une méthode d’analyse des comportements des clients, un moyen de prédire ces comportements, puis un outil au service de la rationalisation et d’organisation de la relation client, et enfin un moyen de prescrire et d’évaluer des pratiques commerciales. Le cas du scoring dans la relation client illustre alors parfaitement, à l’échelle d’une entreprise, le passage d’une « statistique descriptive et discutable à une statistique d’objectifs et de résultats [qui] modifie la nature et la vocation de l’argument statistique », comme l’a démontré Alain Desrosières [Desrosières, 2008] à propos des statistiques publiques. À chacune des étapes que nous avons décrites, les acteurs recourent à des formes de justification, de preuves, à travers des indicateurs parfois semblables dont ils proposent des lectures différentes ; tous partagent une certaine « raison métrologique ». Le score aide ainsi à la construction de représentations différentes de la réalité en fonction des enjeux des acteurs. On pourrait généraliser ce constat à l’analyse des dispositifs de CRM dans leur ensemble, en confirmant ce que déjà, en 1998, Pierre-Jean Benghozi pointait du doigt : « le client devient une catégorie ex ante, un modèle construit de la réalité, qui permet à l’entreprise d’apporter des réponses préstructurées » [Benghozi, 1998, p. 16].

  • 12 Sur l’importance des connaissances « empiriques » que les vendeurs ont de la clientèle et la manièr (...)

60Mais les résultats de notre étude nous permettent d’aller plus loin. Ils montrent les limites que les dispositifs de CRM rencontrent pour satisfaire leur double ambition telle qu’on l’a définie en introduction : maîtriser le marché et rationaliser les pratiques professionnelles. Lorsqu’il s’agit de servir à l’analyse du marché, le CRM mise sur l’agrégation de données statistiques pour faire du client une abstraction ou le réduire à une catégorie « scorée ». Mais les techniques de scoring se heurtent à des limites techniques et des biais importants, et la captation des informations sur les clients se fait sans « capitalisation ». Plus encore, les cloisonnements entre entités (malgré les interactions informelles entre professionnels), et l’éloignement du terrain (méconnaissance des usages réels) contraignent le parcours des scores à se faire « à sens unique » (de la conception par les dataminers à l’usage par les conseillers) et semblent rendre inexistantes les boucles de rétroactions ou de remontées d’informations. Les téléopérateurs, acteurs du marché en contact avec les clients ne sont pas sollicités pour enrichir ces bases ou faire remonter des informations sur la clientèle. En se coupant de la connaissance empirique de ce marché par ces intermédiaires (conseillers clients, téléopérateurs), les dataminers se privent de savoirs sans doute autant sinon plus riches que les informations recueillies dans les bases12.

61Quand le score sert à la rationalisation des pratiques professionnelle, le recours au datamining se pose en rupture avec un ancien mode de fonctionnement des organisations commerciales au sein desquelles la pratique de la vente se fondait sur la relation de confiance et la connaissance personnelle des clients [Courpasson, 1995]. On comprend alors la dimension « politique » de ces outils, qui participent d’un inversement des rapports de pouvoir entre marketing et vente en réduisant le rôle du vendeur au profit des bases de données et de leur traitement statistique [Benedetto-Meyer, 2011]. Or nous avons vu, dans l’analyse des usages des scores, que les conseillers clients en contact direct avec les consommateurs (et aux prises, d’une certaine manière, avec la « véritable » complexité du réel qui se manifeste dans l’interaction au cours d’une relation téléphonique) sont ceux qui semblent émettre le plus de doutes sur la fiabilité des scores et leur pertinence même à aider la relation client. Leur utilisation s’en trouve réduite. Aussi peut-on dire que si les scores structurent les formes de compréhension du marché et sa mise en catégories, ainsi que l’organisation de la relation client, ils ne parviennent pas pour autant à « cadrer » pleinement les interactions entre vendeurs et clients.

62Finalement, ce travail nous permet de souligner des risques liés au fait de structurer l’organisation de la relation client sur le recours à des algorithmes. C’est prendre le risque d’ignorer la richesse et la complexité de la réalité du monde marchand et, partant, de nuire à une certaine conception de l’efficacité commerciale.

Notes

1 Depuis devenu Orange.

2 La majorité des entretiens a été réalisée avec Barbara Poulain, statisticienne à Orange Labs, qui a permis de doubler le regard sociologique d’une vision plus technique, et de rentrer plus en détail dans la compréhension des mécanismes complexes de construction des scores.

3 Les résultats présentés ici portent essentiellement sur l’univers des produits téléphone fixe et Internet, l’univers du mobile présentant des caractéristiques sensiblement différentes.

4 L’engouement pour les modèles prédictifs fondés sur des éléments statistiques n’est cependant pas nouveau. Martha Poon [Poon, 2007] montre à cet égard que les calculs proches de ceux des scores de risque préexistaient même à l’informatisation, ce qui lui permet de réfuter la thèse selon laquelle c’est l’instrument informatique, qui, offrant des nouvelles possibilités de calcul, est à l’origine de la logique de quantification.

5 Par exemple : proposer le « bouquet TV » à tous les clients équipés d’un décodeur TV.

6 Une autre solution pourrait consister à demander aux professionnels en contact avec les clients de recueillir certaines données sociodémographiques. Mais les contraintes temporelles (objectifs de productivité) des conseillers désincitent ces derniers à prendre le temps de mieux remplir ou de mettre à jour les fiches clients, comme on le verra plus loin.

7 Même si, dans les faits, la « robustesse » des scores est également visée, c’est-à-dire leur capacité à être dupliqué sur d’autres catégories ou pour d’autres types de comportements. Il est parfois nécessaire d’arbitrer entre privilégier le taux de prédiction et l’adaptabilité des modèles.

8 Qui se fondent d’ailleurs, elles aussi sur des données « comportementales » même si les typologies construites ont des intitulés qui laissent entendre qu’elles reposent sur des données sociodémographiques [Sunderland et Denny, 2011].

9 Le routage va également prendre en compte la raison de l’appel du client (grâce aux choix que celui-ci aura fait pour désigner sa demande en suivant les instructions du serveur vocal : « pour une souscription, tapez 1 », etc).

10 C’est-à-dire le fait, pour un consommateur, de changer d’opérateur.

11 Alors que par ailleurs, pour la plupart des marketeurs et les dataminers que nous avions interviewée, il ne semblait pas souhaitable d’entrer dans les détails techniques auprès des vendeurs et de leur expliquer la façon dont sont conçus les scores.

12 Sur l’importance des connaissances « empiriques » que les vendeurs ont de la clientèle et la manière dont ils construisent des typologies indigènes, voir par exemple [Benedetto, 2003].

Le texte et les autres éléments (illustrations, fichiers annexes importés) sont sous Licence OpenEdition Books, sauf mention contraire.

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search