Nous avons invité Nathalie Nahmias, experte en relation et expérience client, afin de discuter ensemble des données post-achat et de leur activation. Voici une synthèse du webinar que vous pouvez retrouver ici.
Avantages
Les attentes des clients en matière de livraison ont considérablement évolué ces dernières années. L’une des demandes les plus répandues est la possibilité de choisir une date de livraison. Selon la dernière étude de la FEVAD, 48 % des acheteurs en ligne souhaitent bénéficier de cette option. En effet, avec le télétravail, qui est également plus pratiqué qu’avant, les consommateurs apprécient de plus en plus d’avoir la possibilité de se faire livrer lorsqu’ils sont sûrs d’être chez eux.
Initialement, la prise de rendez-vous concernait surtout les colis volumineux nécessitant une présence physique pour la réception. Aujourd’hui, cette flexibilité s’étend aux petits colis grâce à l’essor de la livraison interactive. Les clients peuvent désormais choisir une date fixe ou modifier la livraison en cours de route.
Inconvénients
Cependant, cette flexibilité introduit une complexité nouvelle dans la gestion des données et des rendez-vous. Idéalement, un créneau fixé doit être respecté par les deux parties. En pratique, des décalages surviennent fréquemment, soit à l’initiative du client, soit du transporteur. Cela pose un défi pour la mesure de la satisfaction client : un client qui reporte son rendez-vous par choix reste généralement satisfait, alors qu’un report imposé par le transporteur engendre souvent de la frustration. Il devient donc essentiel de tracer l’origine de la modification du rendez-vous afin d’évaluer plus précisément la satisfaction.
Afin de satisfaire au mieux les clients, il est nécessaire de déterminer de manière fiable la date de livraison. Lors de la commande, deux approches principales permettent de déterminer la date de livraison:
La seconde méthode s’impose de plus en plus comme la norme.
En effet, demander au client de choisir une date dès la commande entraîne souvent des abandons ou nécessite des relances. Proposer un rendez-vous par défaut, tout en laissant la liberté de le modifier, améliore le taux de conversion et réduit les frictions.
Le calcul d’une date de livraison repose sur plusieurs étapes clés :
Aujourd’hui, beaucoup d’entreprises fonctionnent en silos : d’un côté la logistique, de l’autre la relation client, et enfin les équipes digitales. L’enjeu est de consolider ces données pour créer une expérience client plus fluide et proactive.
Voici les différentes données analysées et calculées et les actions qui en découlent :
Transport et logistique
Cas pratiques
Exemple 1 : Analyse croisée délais et satisfaction (NPS)
Un e-commerçant a comparé deux transporteurs avec qui il travaille : l’un livrait en 2-3 jours, l’autre en 6 jours. L’analyse des scores NPS a révélé une satisfaction similaire, malgré la différence de délais. Ce type d’analyse évite les décisions hâtives basées uniquement sur la rapidité.
Exemple 2 : Analyse des appels au service client
En croisant les appels avec les données de transport et les notifications, une entreprise a découvert que :
Cela a mis en lumière un besoin d’optimiser le contenu et le timing des messages.
Recevoir des informations en direct permet d’agir immédiatement. Par exemple, si une livraison est déposée chez un voisin, l’information envoyée en temps réel permet de prévenir le client instantanément. Cette réactivité devient essentielle pour les livraisons express dans l’heure.
Cependant, la remontée d’informations en temps réel pose aussi une problématique écologique. Interroger les systèmes toutes les 30 minutes consomme beaucoup de ressources pour une efficacité limitée. Un équilibre doit être trouvé entre fréquence des mises à jour et impact environnemental.
Si l’IA est souvent vue comme une solution miracle, son application dans le transport reste complexe. L’IA générative montre ses limites pour fournir une localisation précise en temps réel. De plus, les chatbots donnent souvent des réponses incohérentes lorsqu’ils sont sollicités plusieurs fois.
L'IA prédictive, censée estimer une heure de livraison, peine encore à donner des résultats fiables. L’expérience humaine reste donc essentielle pour ajuster les tournées face aux imprévus du terrain.
Avant de miser sur l’IA, la RPA (Robotic Process Automation) offre des solutions concrètes. Elle permet d’automatiser des tâches répétitives. Par exemple, si une livraison prévue pour une grande surface échoue, une règle automatique peut reprogrammer la livraison sans intervention humaine.
La donnée en temps réel et son exploitation posent des défis techniques, écologiques et humains. L’enjeu est de combiner la technologie et l’expertise humaine pour offrir une expérience client fluide, réactive et rassurante.