Le singe vous aime : Le péril d'un retour d'information client simplifié à l'extrême

Qu'est-ce qu'un épisode de Black Mirror peut nous apprendre sur le CX et le NPS ? Plongeons dans la nature troublante de la réduction de l'éventail des émotions des clients à une seule mesure de base.

Si vous n'êtes pas un fan de Black Mirror ou si vous n'avez pas eu envie de payer un abonnement à Netflix, soyez indulgent avec moi, surtout si vous vous intéressez à la gestion du retour d'information des clients.

L'épisode qui m'a le plus marqué est celui du Black Museum dans la saison 4, et en particulier l'une des sous-intrigues : Monkey loves you. Il expose le scénario troublant dans lequel la conscience de la défunte épouse du protagoniste est transférée dans un singe mécanique ressemblant à un ours en peluche, à travers lequel elle ne peut s'exprimer qu'à l'aide de deux phrases de base : "Monkey loves you" ou "Monkey needs a hug".

À travers ce concept, l'épisode explore la façon dont les expressions humaines sont limitées et déformées par la technologie, réduisant la connexion humaine à quelque chose de mécanique et dépourvu de toute profondeur réelle. 

L'objectif de cet épisode n'était certainement pas de traiter de la manière dont nous recueillons et analysons les réponses aux enquêtes, mais il m'a amené à me demander dans quelle mesure nous réduisons l'expérience de nos clients dans notre analyse.

Le piège des NPS, l'angle mort des promoteurs et d'autres pièges de l'analyse d'enquête

Le Net Promoter Score est un critère de référence standard utilisé par les entreprises du monde entier, ce qui en fait un bon moyen pour les entreprises d'évaluer leurs performances par rapport à celles de leurs concurrents. Toutefois, l'inconvénient de cette simplification excessive est qu'elle crée une vision étroite, également appelée le piège du NPS. Ce piège nous met en garde contre les dangers d'une simplification excessive du paysage complexe de l'expérience client.

Trop souvent, l'analyse des enquêtes se concentre uniquement sur les commentaires des détracteurs, négligeant les frustrations subtiles cachées dans des mesures par ailleurs positives. Cela peut conduire à ce que nous pourrions appeler la tache aveugle du promoteur, où des informations précieuses provenant de clients fidèles passent inaperçues simplement parce que leurs scores sont élevés. Souvent, ces clients décrivent encore des frictions, des déceptions ou des opportunités manquées, mais leur voix ne reçoit pas la même attention. 

Il est important de reconnaître que l'insatisfaction ne s'accompagne pas toujours d'un faible score, et que la loyauté ne signifie pas le silence sur ce qui doit être amélioré.

Nous sommes confrontés à des défis similaires avec les données de nos centres de contact. Les enquêtes post-appels sont souvent notre principale source d'information sur l'expérience client : Les scores CSAT, les taux de résolution ou même les commentaires ouverts. Mais toutes ces données sont obtenues après que le moment est passé. Elles n'offrent qu'une vue partielle de ce qui s'est réellement passé et encore moins d'informations sur les raisons de cet état de fait.

Ce que nous avons tendance à négliger, c'est la partie la plus humaine du service à la clientèle : la conversation elle-même. Les centres de contact ne sont pas de simples opérations d'assistance. Ils sont remplis de questions en temps réel, de confusion, de frustration, de besoins et de moments importants. Mais combien de fois sommes-nous vraiment à l'écoute ? Un client peut donner une note positive à une enquête parce que l'agent a été aimable, alors que le véritable problème à l'origine de l'appel est enfoui dans les mots de la conversation, et non dans la boîte de l'enquête.

Comment mieux écouter les clients

Maintenant que nous avons exploré quelques-uns des angles morts et des limites inhérentes à l'analyse des données de l'expérience client lorsque l'on se concentre uniquement sur les mesures, voyons comment nous pouvons surmonter ces défis avec l'analyse de texte. 

L'analyse de texte aide à structurer et à hiérarchiser vos données non structurées, les conversations elles-mêmes ou les commentaires ouverts dans les enquêtes, car ils contiennent les informations les plus riches au-delà des mesures traditionnelles, nous permettant vraiment d'écouter ce que le client a exprimé. 

Thèmes 

Commençons par les bases : les thèmes que vous appliquez à vos données non structurées. Un thème est essentiellement un ensemble de combinaisons de mots clés, conçu pour capturer des commentaires spécifiques dans les réactions des clients. Par exemple, un thème peut signaler des phrases telles que "la personne qui m'a aidé était impatiente avec moi". Cette approche vous permet d'organiser le texte non structuré en catégories significatives que nous appelons "sujets".

La base d'une analyse de texte efficace repose sur l'élaboration d'une liste de sujets qui reflètent les activités principales de votre entreprise. Les sujets spécifiques à votre secteur d'activité vous permettent de vous assurer que les informations recueillies sont pertinentes et exploitables dans le contexte de vos produits, de vos services et du parcours de vos clients.

Une fois qu'une liste de sujets appropriée est en place, l'objectif n'est pas que vous puissiez toujours la lire commentaire par commentaire. Au contraire, nous l'organisons de manière à ce que vous puissiez repérer rapidement les sujets qui requièrent votre attention. Nous mettons en évidence les volumes de sujets, les moyennes NPS et les mesures basées sur le sentiment (que nous aborderons plus tard).

Au-delà de ces thèmes essentiels spécifiques à l'industrie, les thèmes ayant un angle unique sur les données offrent une couche supplémentaire d'informations. Par exemple, nos thèmes sur les émotions, les crises mentales et les suggestions des clients. Ces sujets uniques peuvent vous aider considérablement à trouver des couches précieuses dans vos sujets existants. Laissez-moi vous expliquer comment !

Sujet Co-occurence

Le module Topic Co-occurrence de Medallia Text Analytics aide à révéler comment différents sujets ou problèmes apparaissent ensemble dans les commentaires des clients. Plutôt que d'étudier les sujets de manière isolée, cet outil identifie les schémas où deux sujets ou plus apparaissent dans le même commentaire, que ce soit dans l'ensemble du commentaire ou dans la même phrase. Ce niveau de détail permet de découvrir des liens qui pourraient ne pas être évidents lors d'une analyse standard des sujets.

Par exemple, l'association de votre liste de sujets de base spécifiques au secteur avec des sujets de signaux émotionnels vous permet de voir quels problèmes courants, tels que la configuration du produit, la facturation ou le support de l'agent, sont fréquemment associés à des réponses émotionnelles fortes. Votre thème "Facilité de compréhension de la facturation" peut souvent coïncider avec le thème d'émotion "Anxiété". Vous pouvez également filtrer la cooccurrence par sentiment ou même par locuteur (agent ou client) lors de l'analyse des données de conversation. Cela vous permet de déterminer si un problème spécifique est soulevé par le client, traité par l'agent ou les deux, lors de l'analyse des conversations de votre centre de contact.

Ce type d'information stratifiée est essentiel pour identifier les causes profondes, suivre les problèmes émergents et comprendre comment les différentes expériences affectent la perception globale du client. En utilisant la cooccurrence des sujets, les entreprises peuvent apporter des améliorations plus ciblées et mieux informées aux produits, aux services et à la communication.

Analyse des sentiments 

Un autre moyen de démêler les données non structurées consiste à utiliser le modèle de sentiment au niveau du sujet.

Le moteur de sentiment de Medalliaévalue le ton de chaque phrase du feedback, qu'il s'agisse de commentaires d'enquête, de chats ou de discours transcrits, et les classe de fortement négatif à fortement positif, avec des catégories intermédiaires.

Dans les rapports d'analyse de texte, ce sentiment au niveau de la phrase est regroupé pour montrer comment chaque sujet se comporte au niveau du sentiment. Par exemple, vous pouvez rapidement découvrir que le sujet "Trouver des produits en ligne" a un pourcentage négatif de 60%. 

Mais le sentiment ne se contente pas de mettre en évidence les expériences négatives. Il joue un rôle clé en vous aidant à établir des priorités. L'une des mesures clés est la note de sentiment nette (NSS), qui correspond simplement au pourcentage de sentiments positifs moins le pourcentage de sentiments négatifs. Ce score vous aide à comprendre rapidement si un sujet a une tendance plus positive ou négative.

Le SNN est un indicateur extrêmement précieux et facile à utiliser, mais il ne tient pas compte de la fréquence à laquelle un sujet est abordé. Pour vous aider à établir des priorités, en particulier lorsque vous comparez un sujet très négatif avec des milliers de commentaires à un sujet avec seulement quelques commentaires, nous utilisons le score d'impact du SSN. Cette mesure combine le score de sentiment et le volume de ce sujet spécifique, afin de calculer son influence globale sur votre score de sentiment net. En bref, il vous indique dans quelle mesure un sujet tire le sentiment de vos clients vers le haut ou vers le bas, ce qui vous permet de vous concentrer sur les questions les plus importantes.

Au-delà des SNP 

Tout comme la phrase Monkey loves you ou Monkey needs a hug dans Black Mirror représente une expression limitée des sentiments humains, nous devons veiller à ce que notre analyse des commentaires des clients ne tombe pas dans le même piège. 

Il ne suffit pas de comprendre qu'un client nous "aime". Nous devons aller plus loin pour comprendre les raisons de ce sentiment. Grâce à l'analyse de textes multiples, nous obtenons une image plus riche et plus complète de nos points forts et des domaines dans lesquels nous pouvons nous améliorer. 

Le monde de l'analyse de texte est incroyablement riche, offrant d'innombrables façons d'écouter plus profondément et de manière plus significative. Ce que j'ai partagé ici ne fait qu'effleurer la surface ; avec les nouvelles capacités de l'IA comme le résumé et la détection de thèmes, nous avons plus d'outils que jamais pour aller au-delà du sentiment et découvrir les véritables histoires qui se cachent derrière les scores. 

Mais le plus important, c'est qu'il ne s'agit pas seulement d'entendre que Monkey vous aime; il s'agit d'apprendre à faire grandir et évoluer cet amour.

Psst... avez-vous remarqué que les taux de sondage diminuent rapidement ? Voici notre guide sur la façon de naviguer dans cette nouvelle réalité.