Votre base de données est une des clés de votre succès. Donnez-lui de l’amour !

Big data : mégadonnées ou ensembles complexes de données utilisées pour prendre des décisions importantes.
Small data : petits indices indiquant les grandes tendances.
Données hyper personnelles : données recueillies à partir des signes sociaux.

Bâtir et stimuler les interactions, la fidélité et la notoriété auprès des donateurs, des bénévoles et du grand public, voilà l’objectif final de la collecte de données.

Retour en 1996

Revenons en 1996. L’internet était tout beau tout nouveau et « La Toile » promettait de régler tous nos soucis d’affaires. La quantité d’information accessible y semblait infinie et le potentiel, illimité. Que des lendemains radieux pour tous ! C’était ce que nous croyions.

Si votre organisme a plus de 20 ans d’existence, vous n’avez pas perdu une seconde au tournant du dernier siècle pour recueillir toutes ces précieuses données sur vos donateurs, vos bénévoles et le grand public. Mais c’était un peu n’importe quoi.

Qui est à blâmer ? Le mot d’ordre était de recueillir autant d’information que possible. Celle-ci provenait de votre site web, de formulaires d’inscription, d’événements publics, de campagnes de courriels ou postales, etc. Il fallait obtenir le plus de données possibles, par tous les moyens. Il n’y avait aucune règle de sélection encore en vigueur. Bref, nous improvisions.

De plus, ces données étaient le plus souvent stockées dans une base de données sans protection (une simple feuille Excel) et sauvée sur la disquette ou le PC de l’adjoint administratif ou exécutif. Le dossier était mis à jour de temps en temps (manuellement bien sûr) et très probablement jamais utilisé dans des situations concrètes de communication. Au final, ce type de collecte de données de mauvaise qualité, périmées et non pertinentes était du temps perdu. Décevant sur toute la ligne.

Et aujourd’hui?

C’est malheureux à dire mais certains OSBL utilisent encore les mêmes techniques 20 ans plus tard. Ils sont submergés par une mer de données et n’ont vraiment aucune idée comment les traiter. Ils accumulent des adresses de courriels provenant de différents canaux (bulletins, médias sociaux, site web) et sont aux prises avec différentes listes à gérer et à comprendre, tout en manquant du savoir-faire pour consolider ces informations. Ces données dites « sales », ils les paient en perte de fidélité, en désengagement et en diminution des dons.


Familiarisez-vous avec le terme suivant : « hygiène de données »

Dirty-Data-Phil-Communications

Une mauvaise hygiène des données (des données de mauvaise qualité) cause le phénomène des données sales, symptôme récurrent d’une mauvaise gestion des données.  Voici les types les plus courants de données sales :

  • Données fausses : champs de valeur mal assortis aux données (ex.: champ d’âge = 300)
  • Données imprécises : les vieilles erreurs plates (typographiques, courriels et téléphones fautifs, etc.)
  • Données contradictoires : données non vérifiées menant à la redondance et aux contradictions
  • Données incomplètes : valeurs manquantes dans un champ (ex.: l’adresse de la maison est absente)
  • Erreurs répétées : données fautives répétées menant à une mauvaise consolidation et à des erreurs utilisateur.

D’autres types de données peuvent aussi être considérés comme des données sales :

  • Données fallacieuses
  • Doublons
  • Données incorrectes
  • Données imprécises
  • Données non intégrées
  • Données qui violent les règles d’un organisme
  • Données sans formatage uniformisé
  • Données inexactement ponctuées ou écrites

La qualité des données (ou hygiène des données) devrait incorporer les méthodologies qui assurent l’intégrité, la validité, l’uniformité, et l’exactitude de toute donnée colligée.  Sans ces processus, le phénomène des données sales se produira presque toujours.

Source : https://www.techopedia.com/definition/1194/dirty-data

Mais comment cela se traduit-il dans les OSBL et le secteur social en termes concrets ?

Quand un OSBL utilise des données sales, ce processus :

  • affecte l’exactitude du profil du donateur
  • limite l’accessibilité à l’ensemble des données
  • gêne la capacité de segmenter (ou de personnaliser) à partir de l’ensemble des données
  • produit des rapports inexacts
  • augmente le nombre de retours de courriel dans les campagnes marketing
  • diminue les dons à long terme
  • augmente le risque de pourriels dirigés vers vos donateurs et le grand public
  • érode votre portée auprès de la communauté

Alors comment votre organisme peut-il renverser la vapeur et transformer toute cette information en données qui puissent être facilement trouvées, analysées et utilisées ?

Avec autant d’outils et de logiciels disponibles, il n’est pas étonnant que l’on se sente vite dépassé… Lequel devriez-vous utiliser ? Lequel est le plus facile à comprendre ? Lequel fera le plus grand impact et à quel rythme ?

Que vous choisissiez d’y aller avec votre équipe interne ou de demander l’aide d’un consultant, assurez-vous que la solution retenue puisse :

  • avoir un impact positif immédiat et notable en termes d’hygiène des données;
  • accroitre l’information en temps réel et les détails historiques : clients, personnel, produits, techniques et processus;
  • s’appuyer sur des compétences solides en termes de nouvelles technologies telles que l’analyse, la prévision et la modélisation;
  • être mesurée et adaptée en fonction du volume, de la vitesse et des différents types de données tout en maintenant le tout valide et conforme.

Source : https://blog.kissmetrics.com/bad-data-cost/

Au final, le coût des données sales n’est pas seulement un problème de TI. C’est une question qui affecte la stabilité de votre organisme à court, à moyen et à long terme. Il s’agit de la différence entre réaliser vos objectifs annuels de collecte de fonds ou pas.

La bonne nouvelle est que nous ne sommes plus en 1996 et que le secteur des TI s’est développé comme un secteur bien intégré à la gestion d’un OSBL.

N’est-il pas grand temps de donner « un peu d’amour » à vos données ?

Previous

Next