Gartner prédit le déclin rapide des enquêtes NPS sur les prochaines années. Principal reproche : ils ne permettent pas de tirer de conclusions efficaces et de passer à l’action. On vous explique pourquoi nous pensons que l’analyse de sentiment via le Machine Learning est une alternative plus solide.
Les problèmes posés par le NPS
L’étude à fait grand bruit ! Gartner prévoit que 75% des entreprises abandonneront la mesure du succès client via le NPS d'ici 2025.
Pour rappel, le Net Promoter Score (NPS) interroge le client sur sa probabilité, de 1 à 10, de recommander une marque ou un service à son entourage. Le calcul promoteurs moins détracteurs permet de déterminer le niveau de satisfaction et in-fine de la fidélité des clients.
Seulement voilà, "Le NPS est l'un des indicateurs clés de performance (KPI) les plus courants dans le monde, mais il ne parvient pas toujours à fournir des informations exploitables aux responsables du service client", a déclaré Deborah Alvord, Directrice de l'étude chez Gartner.
Une autre raison évoquée est que 58 % des responsables de service client sont tenus par leur direction de mesurer le NPS… Le NPS devient ainsi un vecteur d’analyse de la performance individuelle et collective, ce qui le détourne de son objectif initial et incite à le manipuler (jeu de couleurs, incitations de l’opérateur à répondre positivement…).
Si l’on ajoute à cela des taux de retours de l’ordre de 10-15% et des sensibilités très différentes selon les pays dans la façon de noter, on comprend bien pourquoi le NPS ne permet pas véritablement de mesurer l’état de satisfaction de sa base client.
L’analyse de sentiment : une alternative objective !
L'analyse des sentiments permet grâce au Machine Learning d’examiner un texte donné et d’identifier l'opinion émotionnelle dominante, en particulier pour déterminer si l'attitude de l'auteur est positive, négative ou neutre. Elle est sans biais, comprend l’ironie et sait analyser dans les principales langues.
La méthode n’est pas infaillible, mais utilisée de façon systématique, sur l’ensemble des échanges que vous avez avec vos clients, elle permet de mesurer fidèlement le niveau de satisfaction de vos interlocuteurs.
Intégrer l’analyse de sentiment à son score de santé client
Avec Skalin, 100% des conversations écrites que vous avez avec vos clients sont analysées et évaluées grâce au Machine Learning via l'IA “Natural Language”. L’objectif n’est pas tant de mesurer un niveau de satisfaction à un instant donné, mais plutôt de suivre son évolution dans le temps pour détecter une éventuelle altération des interactions et déclencher des alertes le cas échéant.
Cet indicateur, affiné avec des notions de fréquence, de récence, de niveau de couverture des interlocuteurs et du type de contact (utilisateur, sponsor...) permet de mesurer de façon objective la qualité de la relation client perçue par votre client.
Il est ensuite intégré à un score de santé global auquel viennent s’ajouter des données d’usage de votre plateforme, des KPIs business et le sentiment du CSM lui-même. Ainsi, vous savez à tout moment quel est l’état de santé de vos comptes.
📌 Télécharger | "Le guide ultime pour mettre en place un Score de Santé".
Pour aller plus loin :