Temps de lecture : 16 minutes
En 2025, 30,7 % des entreprises françaises de dix personnes ou plus utilisaient un logiciel de gestion de la relation client — GRC, ou CRM pour Customer Relationship Management ; deux fois moins, 15,8 %, analysaient elles-mêmes les données relatives à leurs clients, qu’il s’agisse d’achats, de localisation, de préférences, d’avis ou de recherches (enquête TIC de l’Insee et d’Eurostat, 2025). La France s’équipe un peu plus que la moyenne européenne, où 28,5 % des entreprises utilisent un CRM, mais elle analyse un peu moins : 17,6 % dans l’Union.
On aborde volontiers la maturité data comme une affaire d’équipement : un CRM d’abord, une plateforme de données client ensuite, de l’intelligence artificielle enfin. Gartner lui-même mettait pourtant en garde contre cette lecture dès 2018, et l’écart entre les entreprises équipées et celles qui exploitent réellement leurs données rappelle une évidence que connaît tout praticien des études : un fichier client ne produit, par lui-même, aucune connaissance. La maturité se juge à ce que l’entreprise fait de ses données, à la régularité de ces usages et à la qualité de ce qui les alimente.
Ce guide, qui prolonge notre pilier Data & intelligence client, propose une lecture par les usages : cinq niveaux, du simple stockage à l’anticipation des comportements, une grille de diagnostic en dix questions, les obstacles qui freinent la progression et une méthode pour franchir un niveau sans tout refaire.
1. Qu’est-ce que la maturité data en intelligence client ?
La maturité data en intelligence client désigne la capacité d’une entreprise à transformer les données qu’elle détient sur ses clients en décisions régulières : savoir qui ils sont, comprendre ce qu’ils font, anticiper ce qu’ils feront. Elle se lit dans les usages et dans la qualité des données, bien plus que dans la liste des logiciels achetés.
Maturité data (intelligence client) : degré auquel une organisation exploite de façon régulière, fiable et partagée les données relatives à ses clients — identité, historique d’achat, interactions, avis — pour décider et agir. Elle s’évalue par les usages (stocker, partager, piloter, analyser, anticiper), par la qualité des données qui les alimentent et par l’organisation qui les porte.
La statistique publique a longtemps distingué ces usages. En 2021, dernière année où Eurostat les mesurait séparément, 32,2 % des entreprises françaises de dix personnes ou plus se servaient d’un CRM pour saisir, stocker et partager l’information client, et 16,7 % pour l’analyser à des fins marketing (Eurostat, 2021). L’indicateur a changé depuis, et ces chiffres ne se comparent pas à ceux de 2025 ; mais le rapport n’a guère bougé : deux fois moins d’entreprises analysent elles-mêmes leurs données clients qu’il n’y en a d’équipées d’un CRM.
L’écart dépend fortement de la taille, comme le montre le tableau suivant :
| Entreprises de dix personnes ou plus, 2025 | Utilisent un logiciel de CRM | Analysent elles-mêmes des données clients |
|---|---|---|
| France, 10 à 49 personnes | 27,1 % | 12,5 % |
| France, 50 à 249 personnes | 45,6 % | 28,1 % |
| France, 250 personnes ou plus | 73,6 % | 62,9 % |
| France, ensemble | 30,7 % | 15,8 % |
| Union européenne, ensemble | 28,5 % | 17,6 % |
(Source : Eurostat, enquête sur l’usage des TIC dans les entreprises, jeux de données « isoc_eb_iip » et « isoc_eb_das », mis à jour le 27 février 2026. L’indicateur d’analyse ne compte que les entreprises dont les salariés analysent eux-mêmes les données clients ; une entreprise qui confie toute son analyse à un prestataire n’y figure pas.)
Dans les grandes entreprises, l’analyse suit presque l’équipement ; dans les plus petites, les entreprises équipées d’un CRM sont deux fois plus nombreuses que celles qui analysent elles-mêmes leurs données clients. C’est là, dans les PME, que l’écart entre l’outil et l’usage est le plus large — et que la question de la maturité se pose avec le plus d’acuité.
2. Pourquoi les modèles de maturité classiques servent-ils mal les PME ?
Parce qu’ils décrivent d’abord la stratégie, la gouvernance et l’organisation de la donnée, autrement dit le travail d’équipes spécialisées. Une PME dont le fichier client vit dans un tableur ou dans un CRM d’entrée de gamme s’y classe d’emblée en bas de l’échelle, sans y apprendre ce qui la ferait progresser.
Le modèle de Gartner, par exemple, comptait en 2018 cinq niveaux de maturité en données et analytique : basic, opportunistic, systematic, differentiating et transformational. Dans l’enquête mondiale qui l’accompagnait, menée auprès de 196 organisations invitées à s’autoévaluer, 60 % des répondants se classaient dans les trois niveaux inférieurs, et 91 % n’avaient pas atteint le niveau transformationnel (Gartner, 2018). Le chiffre a vieilli, mais il dit l’essentiel : de leur propre aveu, moins d’une organisation sur dix atteignait le sommet de l’échelle. Le commentaire de l’analyste qui présentait l’enquête n’a pas pris une ride :
« Ne partez pas du principe qu’acquérir une nouvelle technologie est indispensable pour atteindre les niveaux de maturité transformationnels en matière de données et d’analytique. Concentrez-vous d’abord sur l’amélioration de la coordination des personnes et des processus au sein de l’organisation, puis voyez comment améliorer vos pratiques avec vos partenaires externes. » — Nick Heudecker, alors vice-président recherche chez Gartner, aujourd’hui chez Cribl (communiqué de presse, février 2018)
Se déclarer piloté par la donnée ne suffit pas davantage. Dans l’enquête de l’éditeur Salesforce, 63 % des dirigeants métier décrivent leur organisation comme data-driven, quand 63 % des responsables data et analytique disent que leur entreprise peine à faire avancer ses priorités avec ses données (Salesforce, 2025). Il s’agit de deux populations distinctes, interrogées par un vendeur de solutions, mais l’écart de perception est éloquent.
Dans ce cadre, Agalma propose de relire par les usages l’échelle en cinq niveaux de notre pilier — réactif, émergent, défini, avancé, optimisé. Cette échelle est une synthèse : les cabinets ne nomment pas leurs niveaux de la même façon, et aucune nomenclature ne s’impose comme norme. Ce qui compte, pour une PME, n’est pas l’étiquette du niveau, mais l’usage qu’elle sait tenir dans la durée.
3. Quels sont les cinq niveaux d’usage de la donnée client ?
Cinq usages se superposent, du plus simple au plus exigeant : stocker les données clients, les partager entre les équipes, piloter l’activité avec elles, les analyser pour comprendre les comportements, puis anticiper. Chaque niveau suppose le précédent, et aucun ne s’atteint par le seul achat d’un logiciel.
| Niveau d’usage | Ce que l’entreprise fait de ses données clients | Outils typiques | Signe que le niveau est atteint |
|---|---|---|---|
| 1. Stocker | Réunir coordonnées, historique d’achat et échanges en un lieu unique | Tableur, logiciel de facturation, CRM tenu comme un carnet d’adresses | On retrouve l’historique d’un client sans interroger un collègue |
| 2. Partager | Tenir une fiche client commune aux ventes, au marketing et au service client | CRM partagé, règles de saisie écrites | Chaque équipe travaille sur la même fiche, à jour |
| 3. Piloter | Suivre des indicateurs clients réguliers : chiffre par segment, récence, fréquence et montant d’achat (RFM), taux de réachat | Tableaux de bord, sous tableur ou logiciel d’informatique décisionnelle | Des décisions commerciales s’appuient sur des chiffres partagés |
| 4. Analyser | Comprendre les comportements : segmentation, parcours, croisement avec ce que disent les clients | Outils d’analyse, études qualitatives, analyse de verbatims | Les segments expliquent les écarts de comportement |
| 5. Anticiper | Prévoir et agir avant l’événement : risque de départ, appétence, personnalisation | Modèles prédictifs, plateforme de données client (CDP), IA | Des actions partent avant un départ ou un réachat probable |
Cette grille relit par les usages l’échelle de notre pilier, sans en reprendre le découpage terme à terme : le niveau « émergent », celui du CRM de base, correspond pour l’essentiel au partage ; le niveau « défini », celui de la segmentation RFM et des premiers tableaux de bord, au pilotage. Deux éléments changent de place : la qualité des données, que le pilier rattache au niveau « défini », devient ici une condition dès le premier niveau ; les modèles prédictifs, « avancés » dans le pilier, relèvent ici de l’anticipation.
Où se situent les entreprises françaises ? Le baromètre France Num, réalisé par le Crédoc pour la Direction générale des Entreprises auprès de 9 655 TPE et PME, apporte une réponse nuancée. 76 % d’entre elles exploitent leurs données pour piloter leur activité. Rapportées à l’ensemble des TPE et PME, 51 % le font avec un logiciel métier, ERP ou CRM, 44 % avec un tableur, 19 % seulement avec un logiciel spécialisé d’analyse de données et 5 % avec l’IA (France Num, 2026). Les données clients et ventes servent au pilotage dans 53 % des entreprises, derrière les données comptables et financières (65 %).
Le troisième niveau reste donc souvent artisanal. En France, 10,7 % seulement des entreprises de dix personnes ou plus utilisent un logiciel d’informatique décisionnelle, contre 16,3 % dans l’Union européenne ; la part tombe à 6,1 % chez les 10 à 49 personnes (Eurostat, 2025). Le tableur n’est pas un défaut en soi : il le devient quand le tableau de bord ne vit que par une seule personne, ou quand sa mise à jour prend des jours.
Au sommet de l’échelle, l’IA se diffuse bien plus vite que ses usages analytiques. 40 % des TPE et PME déclarent utiliser au moins une solution d’intelligence artificielle, mais 9 % seulement s’en servent pour l’analyse de données, la prévision ou l’optimisation des ressources (France Num, 2026). Chez les entreprises de dix salariés ou plus, dont la statistique publique retient une définition plus étroite de l’IA, la part des utilisatrices atteignait 18 % en 2025 (Insee, 2026). Les niveaux 4 et 5 reposent sur des méthodes que nous détaillons par ailleurs : la segmentation prédictive et les personas, et bientôt l’analyse prédictive du churn.
4. Comment situer son entreprise ? Une grille de diagnostic en dix questions
Un diagnostic utile part des usages réels, pas des intentions. Dix questions, posées aux équipes qui saisissent et exploitent les données clients, suffisent à situer le niveau atteint et à repérer le premier verrou ; la règle consiste à retenir le niveau le plus bas pour lequel une réponse fait défaut, car un niveau mal assis fragilise tous les suivants.
| Question à poser aux équipes | Niveau testé |
|---|---|
| 1. Les données clients sont-elles réunies en un lieu unique, sans doublons connus ? | 1. Stocker |
| 2. Sur cent fiches récentes, combien sont complètes et exactes ? | 1. Stocker |
| 3. Une personne est-elle nommément responsable de l’exactitude des données ? | 2. Partager |
| 4. Ventes, marketing et service client consultent-ils et mettent-ils à jour la même fiche ? | 2. Partager |
| 5. Quels indicateurs clients sont suivis chaque mois, et par qui ? | 3. Piloter |
| 6. Une décision récente s’est-elle appuyée sur ces indicateurs ? | 3. Piloter |
| 7. Sait-on expliquer pourquoi les meilleurs clients achètent, et pourquoi d’autres partent ? | 4. Analyser |
| 8. Les comportements mesurés sont-ils croisés avec ce que disent les clients ? | 4. Analyser |
| 9. Une action part-elle avant un départ ou un réachat probable ? | 5. Anticiper |
| 10. Le consentement de chaque contact est-il prouvable, et sa durée de conservation fixée ? | Condition de tous les niveaux |
La deuxième question mérite qu’on s’y arrête. Tadhg Nagle, Thomas C. Redman et David Sammon proposent un exercice simple : retenir dix à quinze attributs critiques des cent derniers enregistrements produits par son service, les passer en revue un à un, puis compter ceux qui ne comportent aucune erreur (Harvard Business Review, 2017). L’exercice ne demande aucun outil particulier, et il fournit une preuve chiffrée là où la plupart des managers n’ont que des impressions — même si certains, préviennent les auteurs, cherchent à en minimiser le résultat. Redman en résume l’enjeu sans détour :
« Les mauvaises données sont la norme. Chaque jour, les entreprises expédient des colis à leurs clients, les managers choisissent quel candidat embaucher et les dirigeants arrêtent des plans à long terme à partir de données fournies par d’autres. Quand ces données sont incomplètes, mal définies ou fausses, les conséquences sont immédiates : clients en colère, temps perdu, difficultés accrues dans l’exécution de la stratégie. » — Thomas C. Redman, président de Data Quality Solutions (MIT Sloan Management Review, 27 novembre 2017)
La troisième question n’est pas moins révélatrice. Dans une enquête de l’éditeur Validity auprès de 631 utilisateurs de CRM aux États-Unis, au Royaume-Uni et en Australie, 35 % n’étaient pas sûrs de savoir qui, dans leur organisation, était responsable de l’exactitude des données, et 55 % indiquaient qu’aucun salarié n’était dédié à plein temps à leur qualité (Validity, 2024).
La grille produit un profil plutôt qu’une note. Une entreprise peut piloter finement ses ventes, au troisième niveau, tout en ignorant la qualité de sa base, au premier : c’est ce décalage, plus que le niveau moyen, qui oriente les priorités.
5. Quels obstacles freinent la progression ?
Quatre obstacles reviennent d’une entreprise à l’autre : la qualité des données, les compétences, la culture et l’organisation, la conformité au RGPD. Les trois premiers sont humains avant d’être techniques ; le quatrième coûte cher quand on l’ignore, comme l’ont rappelé en 2025 les dix décisions de sanction de la CNIL visant la prospection.
La qualité des données. Redman estime le coût des mauvaises données entre 15 et 25 % du chiffre d’affaires de la plupart des entreprises, en temps passé à corriger les erreurs, à chercher des confirmations ailleurs et à gérer les fautes qui s’ensuivent (MIT Sloan Management Review, 2017). L’estimation est ancienne et large, mais le constat demeure : les responsables data et analytique interrogés par Salesforce estiment que 26 % des données de leur organisation ne sont pas fiables (Salesforce, 2025), et 48 % des administrateurs de CRM interrogés par Validity ont constaté une accélération de l’obsolescence des données clients en un an ; ces données se périment vite, note l’éditeur, parce que beaucoup de coordonnées sont attachées au lieu de travail du contact (Validity, 2024).
Les compétences. En France, en 2025, 54 % des entreprises de dix salariés ou plus qui n’utilisent pas l’IA invoquent un manque d’expertise, et 53 % de celles qui l’utilisent s’en disent freinées (Insee, 2026). Parmi les 700 PME qu’elle a accompagnées en 2024 dans une mission de conseil en IA, Bpifrance relève qu’environ un tiers ne disposent d’aucun outil de stockage, de traitement ou de valorisation des données, celles-ci restant « silotées dans les applicatifs ou non digitalisées » (Bpifrance, 2025). L’échantillon n’est pas représentatif, puisqu’il réunit des entreprises qui ont demandé de l’aide, mais il donne une idée du point de départ.
La culture et l’organisation. C’est l’obstacle que les grandes entreprises citent avec le plus de constance. Dans l’enquête annuelle menée auprès des dirigeants data et IA de près de 110 d’entre elles, 93,2 % désignent les défis culturels et la conduite du changement, plutôt que la technologie, comme le premier frein à l’adoption de l’IA (Data & AI Leadership Exchange, 2026). Les auteurs de l’avant-propos le formulent ainsi :
« L’un des défauts que nous constatons année après année, c’est que les principaux obstacles à un usage efficace des données et de l’IA sont presque entièrement humains plutôt que technologiques. » — Thomas H. Davenport, professeur au Babson College, et Randy Bean, fondateur de Data & AI Leadership Exchange (avant-propos de l’enquête, 2026)
La conformité. Le RGPD n’est pas un obstacle à la maturité ; il en est une condition. En 2025, la CNIL a prononcé 83 sanctions, pour un montant total de 486,8 millions d’euros, dont dix décisions visant la prospection commerciale ou politique (CNIL, 2026). Deux décisions parlent directement aux équipes qui alimentent un CRM.
La première, une amende de 900 000 euros, vise la société SOLOCAL MARKETING SERVICES, qui démarchait par SMS et courrier électronique, pour le compte de ses clients annonceurs, des prospects dont elle achetait les données principalement à des courtiers, sans consentement valable. Elle n’a pas non plus pu prouver le consentement des personnes dont l’un de ses principaux fournisseurs lui transmettait les données, et a attendu près de dix-sept mois, après avoir constaté que ce partenaire ne pouvait pas fournir cette preuve, pour cesser de les utiliser (CNIL, mai 2025).
La seconde, 240 000 euros, vise KASPR, dont la base comptait environ 160 millions de contacts, constituée notamment en collectant sur LinkedIn des coordonnées dont leurs titulaires avaient pourtant limité la visibilité, par exemple à leurs relations de premier et de deuxième niveaux (CNIL, décembre 2024). Acheter ou aspirer un fichier ne dispense jamais d’en prouver la licéité ; nous développons ces enjeux dans notre analyse de la confiance client et de la transparence des données.
6. Comment progresser d’un niveau sans tout refaire ?
En traitant un usage à la fois, dans l’ordre : fiabiliser avant d’analyser, partager avant d’automatiser, piloter avant de prédire. Chaque étape doit servir une décision identifiée à l’avance ; un logiciel acheté sans usage préalable ne fait que déplacer le désordre, du tableur vers une base plus coûteuse.
- Nettoyer avant d’acheter. Dédoublonner la base, fixer les champs obligatoires, nommer un responsable de la qualité et mesurer chaque trimestre, sur un échantillon de cent fiches, la part des enregistrements complets et exacts.
- Partager une fiche unique. Pour une TPE, un CRM d’entrée de gamme suffit souvent à franchir le deuxième niveau. L’offre ne manque pas, des solutions françaises comme Axonaut ou noCRM.io à Sellsy, qui fait désormais partie du groupe TeamSystem, ou à des éditeurs internationaux comme Pipedrive, Zoho CRM, HubSpot et Salesforce. Le choix de l’outil compte moins que la règle de saisie qui l’accompagne.
- Piloter avec peu d’indicateurs. Trois ou quatre indicateurs suivis chaque mois — chiffre par segment, récence, fréquence et montant d’achat, taux de réachat — valent mieux qu’un tableau de bord exhaustif que personne ne lit.
- Croiser les chiffres et la parole des clients. Les comportements disent ce que font les clients, rarement pourquoi. Un score de satisfaction ou de recommandation, des verbatims analysés, quelques entretiens éclairent ce que le CRM ne voit pas ; nous détaillons ces mesures dans notre guide pour mesurer l’expérience client et dans notre méthode d’analyse de verbatims par le NLP.
- Préparer l’IA par les données, et non l’inverse. Gartner prévoit l’abandon, d’ici fin 2026, de 60 % des projets d’IA dépourvus de données prêtes pour l’IA ; dans son enquête de juillet 2024, 63 % des organisations n’avaient pas, ou ne savaient pas si elles avaient, les pratiques de gestion des données qu’exige l’IA (Gartner, février 2025). Une plateforme de données client ne s’impose qu’ensuite : la CDP pour les PME couronne une discipline de données existante, elle ne la crée pas.
7. L’approche Agalma : la maturité se juge à l’usage
Pour Agalma, un diagnostic de maturité data n’est pas un audit d’outillage : c’est une enquête sur les usages. Il s’agit d’observer comment les équipes saisissent, lisent et utilisent les données clients au quotidien, d’éprouver la qualité de ces données sur pièces, puis de confronter ce que disent les chiffres à ce que disent les clients.
Le diagnostic que nous proposons associe ainsi trois regards : celui des équipes, recueilli en entretiens, qui révèle les contournements, les doubles saisies et les tableaux parallèles ; celui des données, éprouvé par des tests de qualité simples ; celui des clients, dont les verbatims et les parcours disent ce que les fichiers ignorent. Le livrable n’est pas une note globale, mais un profil par niveau d’usage et une feuille de route qui commence par le premier verrou.
Au-delà des outils, la maturité data relève d’une discipline collective — saisir avec soin, lire ensemble, décider sur pièces — bien plus que d’un investissement technologique. C’est à ce prix que les données clients deviennent une intelligence client. Pour situer votre organisation et définir ses prochaines étapes, découvrez nos expertises.