La valeur des retours clients dépend des actions engagées

Évaluez les plateformes CX à l’aune des actions qu’elles permettent

Un assistant IA peut expliquer pourquoi les clients sont mécontents tout en laissant l’organisation incapable de réagir. Pour un acheteur de plateforme d’expérience client (CX), la question décisive est de savoir si cette explication parvient à une équipe responsable via un processus exploitable, avec des contrôles sur les données client et sur la réponse apportée. L’architecture de la plateforme et le niveau de préparation de l’organisation doivent prendre en charge l’ensemble de cette séquence.

L’IA généraliste rend cette question plus pressante. Forrester décrit un « effet ChatGPT » : les acheteurs s’interrogent sur la nécessité d’une plateforme dédiée au feedback lorsqu’un modèle généraliste peut résumer le sentiment. Une plateforme dédiée justifie sa place en reliant l’analyse et la conversation intelligence, c’est-à-dire l’analyse des interactions client, aux systèmes opérationnels et à la gouvernance. Ces connexions reposent sur l’interopérabilité : la capacité à échanger et à utiliser des informations entre systèmes.

Mais créer ces connexions génère du travail pour les équipes qui exploitent la plateforme. Des systèmes fragmentés, un accès limité à l’IT ou aux services professionnels, et une maturité opérationnelle modeste peuvent freiner l’adoption. L’intégration facilite la circulation de l’information, mais l’analyse doit être fiable, la réponse recommandée doit convenir à l’entreprise, et quelqu’un doit avoir l’autorité et la capacité d’agir.

Utilisez les classements pour cadrer l’évaluation

Pour les acheteurs qui établissent une présélection, l’évaluation concurrentielle de référence est actuellement The Forrester Wave: Customer Feedback Management And Analytics Solutions, Q3 2026, publiée cette semaine. Les analystes Forrester Colleen Fazio et Boris Evelson ont élaboré ces recommandations avec les contributions de Rick Parrish, Angela Lozada et Shayna Neuburg. L’évaluation décrit les capacités des fournisseurs, tandis que les entretiens de CMSWire montrent comment les fournisseurs expliquent leur positionnement et leurs priorités.

Dans cette évaluation, Medallia est le seul Leader, avec une avance substantielle. Qualtrics, Sprinklr et CallMiner sont Strong Performers ; Alchemer, Cresta et Salesforce sont Contenders. Ces catégories aident les acheteurs à identifier les produits à examiner, tandis que les exigences de mise en œuvre déterminent dans quelle mesure chacun convient à leur organisation.

Le périmètre de l’évaluation compte lorsqu’on la compare à des classements antérieurs. La 2024 Wave for Text Mining and Analytics Platforms Q2, 2024 désignait Medallia, InMoment, Qualtrics, expert.ai et Google comme Leaders ; InMoment fait désormais partie de Qualtrics. La 2024 Q4 Customer Feedback Management Solutions Wave désignait Medallia et Qualtrics comme Leaders. L’évaluation actuelle combine ces Waves auparavant distinctes, plaçant Qualtrics parmi les Strong Performers après ses positions de Leader dans les deux évaluations précédentes.

Les classements donnent aux acheteurs un point de départ pour poser des questions plus précises. Ils doivent encore examiner comment les dossiers clients sont reliés, qui détient les décisions, et comment les équipes devront faire évoluer leur travail. Ce sont ces conditions qui déterminent si une capacité très bien notée devient réellement utile dans la pratique.

Déterminez comment les informations client se connectent

Les recherches sur les systèmes CX montrent pourquoi ces conditions doivent être examinées de près. Une étude Oxford Economics de 2026 menée avec SAP a interrogé 300 décideurs seniors de la CX et a constaté que 25 % décrivaient leur environnement technologique CX comme totalement harmonisé et intégré, tandis que 29 % signalaient des environnements très fragmentés. SAP vend des logiciels d’entreprise, y compris des systèmes CX, et a un intérêt commercial dans les investissements qui relient ces environnements.

L’étude a également établi un lien entre ces environnements et la difficulté à exploiter les informations client. Parmi les répondants disposant d’une technologie CX en silos, 58 % ont signalé une incapacité à relier les besoins des clients à des insights exploitables, contre 47 % dans les environnements harmonisés. Les acheteurs doivent donc examiner à la fois les connexions entre systèmes et le travail nécessaire pour transformer des informations connectées en décision.

La fragmentation apparaît aussi dans l’étude CX Trends de Zendesk, où 54 % des organisations ont identifié des données fragmentées ou cloisonnées comme leur principal obstacle à une utilisation efficace des données. Zendesk vend des logiciels de service client et bénéficie des investissements des organisations pour résoudre ces problèmes. Son constat porte sur les obstacles à une utilisation efficace des données, tandis que l’étude d’Oxford Economics compare les difficultés déclarées selon différents environnements technologiques.

Les recommandations de Forrester ajoutent une question architecturale précise. Fazio et Evelson identifient des lacunes dans la disponibilité de modèles de données unifiés configurables, qui donnent aux informations issues de différents systèmes une structure commune que l’organisation peut adapter. Relier les dossiers client, les profils et d’autres entités via cette structure aide un programme CX à interpréter le feedback sur l’ensemble des canaux où un client interagit.

Les dossiers connectés fournissent la base, mais les équipes ont besoin d’un moyen d’exploiter l’interprétation qui en résulte. L’évaluation comporte donc deux volets : la manière dont la plateforme reçoit, relie et analyse les informations, et la manière dont l’organisation les contrôle et agit en conséquence. Ce second volet fait entrer les workflows, l’autorité décisionnelle et le changement organisationnel dans la décision d’achat.

Examinez la fiabilité de la mesure à mesure que les modèles évoluent

Une fois les informations connectées, les acheteurs doivent savoir si les changements dans l’analyse reflètent des changements chez les clients. Sonal Singhal, directrice de la gestion produit chez Sprinklr, a formulé la question sans détour : « Mes clients ont-ils changé, ou est-ce mon modèle qui a changé ? » Sprinklr vend des logiciels CX dont la valeur dépend en partie de la fiabilité de la mesure ; sa position sur les contrôles des modèles soutient donc aussi son offre commerciale.

Forrester recommande une IA hybride, ou neurosymbolique, pour combiner une interprétation flexible avec un sens métier structuré. Cette approche associe l’IA générative et le machine learning à des règles métier explicites, à des taxonomies qui organisent le feedback en catégories, à des ontologies qui définissent les concepts et leurs relations, et à des graphes de connaissances qui représentent ces relations dans des données connectées. Chaque méthode offre une manière différente d’interpréter les signaux clients.

Cette combinaison est importante parce que chaque méthode a ses limites. Les grands modèles de langage, ou LLM, peuvent produire des résultats incohérents et des explications insuffisantes pour qu’une entreprise puisse les examiner de manière rigoureuse, tandis que les systèmes fondés sur des règles et des ontologies peuvent avoir du mal à gérer le volume et la complexité du feedback moderne. Les acheteurs doivent examiner comment ces méthodes fonctionnent ensemble sur les décisions que leurs équipes prennent réellement.

La cohérence doit elle aussi être examinée de près, car une taxonomie peut exclure de façon répétée un langage client pertinent. Comme l’a dit Singhal : « If a rules-based taxonomy consistently misses semantically relevant feedback, the trend is perfectly comparable over time and still systematically incomplete. » Une « courbe de tendance stable » peut donc masquer un feedback manquant, laissant aux responsables une mesure à l’apparence fiable qui omet une partie de l’expérience client.

Les mises à jour des modèles créent un autre problème : une meilleure interprétation peut modifier les résultats remontés même lorsque le comportement des clients reste inchangé. Singhal a indiqué que les organisations doivent suivre les versions des modèles et évaluer les changements par rapport à une ground truth, c’est-à-dire des exemples de référence assortis d’une interprétation attendue établie. Les scores de confiance, à eux seuls, ne permettent pas d’expliquer si une variation provient des clients, du comportement du modèle, ou des deux.

L’évaluation de Sprinklr a également placé ces contrôles sous examen. Forrester a identifié des lacunes dans le suivi longitudinal, c’est-à-dire les comparaisons des résultats dans le temps, ainsi que dans les scores de confiance, tandis que Singhal a insisté sur l’ingénierie nécessaire pour traiter cette catégorie de problème. « That’s an architectural commitment, not a field placed next to an LLM output, » a-t-elle déclaré. Les acheteurs devraient donc examiner la traçabilité des modèles, c’est-à-dire l’historique de la version du modèle ayant produit un résultat, ainsi que les évaluations fondées sur des exemples de référence.

Faites correspondre les capacités déployées à la capacité opérationnelle de l’équipe

Une analyse fiable a encore besoin de personnes capables de l’utiliser et de la maintenir ; les capacités du produit et la maturité du client doivent donc être évaluées séparément. Sid Banerjee, chief strategy officer de Medallia, a décrit une stratégie IA en trois phases dans les entretiens de CMSWire et a indiqué que 600 à 700 clients utilisent les analytics accélérés par l’IA de l’entreprise. Medallia vend ces capacités ; son récit du déploiement et de l’adoption soutient donc aussi l’argument en faveur de l’achat de sa plateforme.

Au-delà de cette base d’analytics déjà déployée, Banerjee a décrit une deuxième phase d’extension des interfaces conversationnelles, notamment Insights Assistant, avec un déploiement plus large prévu « cette année ». La troisième phase développe davantage de capacités agentiques, dans lesquelles des agents IA exécutent des tâches coordonnées. Les acheteurs ont donc différents éléments à examiner : l’usage existant, les plans de déploiement et les capacités en cours de développement.

Selon Banerjee, Insights Assistant utilise déjà un processus multi-agents. Un agent interprète l’intention de l’utilisateur, un autre produit une requête précise, et un troisième analyse les résultats renvoyés. Cela sépare l’interprétation, la récupération des données et l’analyse avant de produire une réponse. « This isn’t aspirational, » a-t-il déclaré. « That is how Insights Assistant works today. »

Cette séquence opérationnelle donne aux acheteurs quelque chose de concret à tester, y compris les tâches qui rendent l’interface exploitable. Le feedback client relevé par Forrester a identifié la complexité des filtres et des lacunes dans l’ajustement des sujets par l’IA, ce qui influe sur la manière dont le feedback est regroupé en thèmes utiles. Banerjee a répondu par des notes relatives : « We didn’t get the lowest ratings on anything … that’s a testament to the fact that we were focusing on the right things. » Les acheteurs peuvent confronter la réponse de Medallia à des tests de filtrage et d’ajustement que leurs propres équipes effectueraient.

Les tests d’utilisabilité doivent aussi refléter la maturité du client. Le CX Evolution Framework de Medallia va de un à cinq, et Banerjee a déclaré : « The majority of customers are level one. » À ce niveau, les clients utilisent des enquêtes traditionnelles envoyées après une expérience, tandis qu’il a décrit le groupe de niveau deux, intéressé par une plus grande activation de l’IA, comme « une minorité significative ».

Les niveaux supérieurs du framework impliquent un modèle opérationnel différent. Les niveaux quatre et cinq impliquent une interconnexion agent à agent et sont « en quelque sorte en train d’être définis » à mesure que Medallia développe ces capacités, a indiqué Banerjee. Les acheteurs devraient examiner les processus d’équipe requis par ces étapes en parallèle de la séquence existante de requête et d’analyse qu’ils peuvent tester dès aujourd’hui.

La mise en œuvre ajoute une autre contrainte, en particulier lorsque les équipes disposent d’un support limité. Le PDG d’Alchemer, Martin Mrugal, a décrit des données fragmentées, des systèmes en silos, des mises en œuvre nécessitant l’IT, des changements nécessitant des services professionnels, un nombre croissant de canaux de feedback et des attentes clients en hausse. Selon lui, ces problèmes sont antérieurs à l’IA, tandis que l’IA accroît la vitesse à laquelle les entreprises opèrent.

Alchemer vend une approche demandant moins d’effort face à ces exigences ; les affirmations de Mrugal sur la simplicité et le coût font donc partie de son argumentaire commercial. « There are no professional services or IT resources needed because it’s intuitive. This keeps TCO low and helps teams move fast, » a-t-il déclaré. TCO signifie coût total de possession ; les acheteurs peuvent tester cette affirmation en demandant à leurs équipes d’effectuer les changements de mise en œuvre et de maintenance qu’elles prévoient d’avoir à réaliser.

La facilité d’utilisation doit aussi être testée en parallèle de l’intégration. Dans l’évaluation de Forrester, des clients ont indiqué que Pulse, la nouvelle offre IA d’Alchemer, semblait déconnectée de la plateforme principale, tandis que Mrugal a noté que le feedback qualitatif de Forrester reposait sur deux à quatre entretiens clients par fournisseur. Il a fait état d’un taux de renouvellement de Pulse supérieur à 90 % et a cité Malwarebytes comme client l’utilisant pour créer d’importants nouveaux flux de revenus. Ces mesures de valeur client répondent à des questions différentes de celles liées au travail nécessaire pour connecter Pulse à un processus existant.

Le lancement prévu d’Alchemer Iris plus tard cette année vise à apporter une intégration plus poussée. Un acheteur envisageant Pulse doit donc examiner si sa connexion actuelle à la plateforme prend en charge le travail visé et à quel moment les changements prévus deviendront importants. Ce calendrier détermine la charge de mise en œuvre que l’équipe devra assumer avant l’arrivée d’une intégration plus profonde.

Suivez le parcours de chaque fournisseur, du feedback à l’action

Une fois que les acheteurs comprennent leur capacité de mise en œuvre, ils peuvent examiner comment différents produits transforment l’analyse en activité métier. Les fournisseurs mettent en avant des voies différentes : historique d’expérience, analyse des interactions, workflows transverses ou couverture plus large des conversations. Chaque voie modifie les informations disponibles pour une décision et les systèmes par lesquels une réponse peut être apportée.

Qualtrics met l’accent sur l’outcome orchestration, que Forrester décrit comme le fait « d’utiliser le contexte d’expérience pour anticiper les besoins et améliorer la rétention ainsi que la valeur vie client ». Un porte-parole non nommé de l’entreprise a indiqué que sa plateforme XM Data and AI couvre également la simulation, la prédiction et des résultats fiables. Qualtrics vend cette plateforme ; son argument en faveur du contexte d’expérience soutient donc aussi le business case de son approche.

L’accès à ce contexte dépend de l’architecture actuelle de la plateforme. La couche sémantique, qui donne aux données un sens métier partagé, et le graphe de connaissances identifiés dans la Wave sont actuellement limités à XM Discover ; leur extension fait partie de la roadmap. Le porte-parole a soutenu : « A general-purpose model can guess at what should happen next, but it’s guessing without experience context. » Les acheteurs devraient tester quelles informations d’expérience peuvent éclairer les décisions aujourd’hui et lesquelles nécessitent l’extension prévue.

Qualtrics propose également de changer la manière dont les organisations jugent la valeur de ces décisions. Son porte-parole a plaidé pour faire passer la mesure principale du succès du Net Promoter Score, ou NPS, à la valeur vie client : « NPS told you how someone felt in a moment. It never told you what that moment would actually be worth to the business. Lifetime value does. » Mesurer la valeur sur l’ensemble de la relation client change la manière dont les équipes priorisent les réponses ; adopter cette approche exige donc un accord sur le reporting et la responsabilité.

CallMiner suit une voie différente, combinant une analyse détaillée des interactions avec des capacités de passage à l’action. Forrester estime actuellement qu’il est plus susceptible de compléter les plateformes de feedback traditionnelles que de les remplacer, tandis que Bruce McMahon, chief product officer de CallMiner, décrit ce rôle complémentaire comme une position transitoire. CallMiner a un intérêt commercial à étendre son rôle au sein des environnements technologiques de ses clients. Son ambition est, à terme, le remplacement.

Les exigences de déploiement aident à déterminer si ce rôle élargi convient à un acheteur. Forrester a critiqué le déploiement cloud-only de CallMiner, tandis que McMahon a défendu une approche cloud-first comme un levier pour l’IA à grande échelle : « We do not view cloud-first deployment as a constraint. In many cases, cloud is necessary to deliver powerful AI-modeled capabilities at scale. » Il a identifié l’analyse des comportements digitaux comme la priorité absolue de l’entreprise pour combler les lacunes restantes, donnant aux acheteurs une autre question sur l’exhaustivité de ses signaux d’interaction.

La voie de Sprinklr repose sur la connexion de l’analyse à une plateforme native plus large. Singhal a indiqué que ses capacités de centre de contact et de marketing fonctionnent aux côtés de la gestion du feedback, permettant aux données de différentes sources de se connecter directement à des workflows transverses. L’activation d’agents autonomes constitue la prochaine évolution ; les acheteurs devraient donc d’abord suivre un workflow existant, puis examiner les actions supplémentaires prévues pour les agents.

Cresta élargit les informations disponibles pour les décisions en analysant les conversations client existantes. Devon Mychal, vice-président du marketing produit chez Cresta, a déclaré : « Surveys are no longer the only way to understand the voice of the customer. » Cresta vend des capacités de conversation intelligence, et Mychal a affirmé que l’IA analysait 100 % des conversations, couvrant les résultats, les causes profondes, les comportements spécifiques, les facteurs d’influence et les actions recommandées.

Mychal a identifié la satisfaction client prédictive, ou predictive CSAT, comme l’une des applications : estimer la satisfaction à partir des signaux issus des conversations. Il a indiqué que les utilisateurs métier peuvent accéder à l’analyse en langage naturel, réduisant un travail qui nécessitait auparavant des data scientists et une revue manuelle importante, et a cité United Airlines et CVS Health comme entreprises adoptant cette approche. Les acheteurs peuvent tester comment ces signaux supplémentaires améliorent les décisions en complément des enquêtes et suivre les recommandations jusqu’à un workflow où quelqu’un peut les exploiter.

Testez la séquence complète dans le cadre de l’évaluation d’achat

Ces différentes voies rendent utile une évaluation fondée sur les processus. Commencez par le feedback que l’organisation reçoit, suivez la manière dont la plateforme l’interprète, puis poursuivez jusqu’à une réponse autorisée. À chaque étape, examinez les responsabilités de l’acheteur en parallèle des capacités du produit.

1. Commencez par l’ingestion, c’est-à-dire l’intégration des informations dans la plateforme, et par le modèle de données. Vérifiez si la plateforme peut accepter les sources d’information requises à l’échelle nécessaire. Examinez ensuite comment son modèle unifié prend en charge les données de l’organisation et demandez à voir des changements de configuration, car cette flexibilité varie selon les fournisseurs.
2. Examinez la résolution d’identité et le chaînage des entités. La résolution d’identité établit quels enregistrements renvoient au même client, tandis que l’assemblage des entités relie les dossiers client, profils et autres enregistrements associés à l’aide d’identifiants uniques. Suivez ces liens à travers les canaux et déterminez quelles décisions d’identification restent de la responsabilité de l’acheteur.
3. Établissez la gouvernance avant d’autoriser une action. Identifiez qui peut accéder aux éléments de preuve, comment les interprétations sont examinées, et qui peut approuver ou exécuter une réponse. Les achats peuvent évaluer les contrôles du produit, tandis que les équipes opérationnelles définissent les responsabilités et les usages acceptables.
4. Testez ensemble les analytics et les contrôles de l’IA. Examinez comment les méthodes hybrides interprètent le feedback pertinent, puis inspectez les historiques de versions des modèles, l’évaluation par rapport à la ground truth et les explications. Utilisez des synthèses plausibles et des scores de confiance comme point de départ pour tester la fiabilité des décisions et leur comparabilité dans le temps.
5. Suivez un insight jusqu’au workflow destinataire. Déterminez quelle équipe le reçoit, quel système le transporte et quelle réponse cette connexion permet. Testez les intégrations existantes et les assistants opérationnels, puis évaluez le calendrier et les dépendances des plans visant un contexte plus large, une intégration plus profonde ou des agents autonomes.
6. Rendez explicites les dépendances de déploiement et de service. Identifiez le travail nécessitant l’IT, des services professionnels, un déploiement cloud ou de futurs changements produit. Évaluez les affirmations sur la simplicité, la couverture des conversations, la rétention, l’impact sur les revenus et le remplacement futur de la plateforme au regard de l’exigence précise à laquelle chacune répond.
7. Testez le changement opérationnel requis pour l’adoption. Déterminez qui maintiendra les identités, gouvernera les décisions et fera évoluer les processus d’équipe après le déploiement. Si l’entreprise entend passer du NPS à la valeur vie client, établissez comment ce changement affecte la priorisation, le reporting et la responsabilité.
8. Attribuez la responsabilité du développement sur mesure. Les recommandations de Forrester sont concises : « Build only where differentiation justifies the burden. » Pour une logique d’identité sur mesure, des méthodes analytiques ou des connexions de workflow spécifiques, identifiez l’avantage métier qui justifie le travail continu, puis attribuez la responsabilité de la maintenance et des évolutions futures.

En conclusion

La valeur d’une plateforme CX dépend de ce que l’organisation peut faire de son analyse. Les classements et les capacités d’IA aident à cadrer le choix, mais la décision d’achat doit prendre en compte des dossiers clients connectés, une mesure fiable, une autorité décisionnelle claire et la capacité des équipes à réagir.

Pour les dirigeants, cela fait de la sélection d’une plateforme autant une décision opérationnelle qu’un achat technologique. Avant de s’engager, demandez aux équipes de démontrer une séquence complète à partir d’un problème métier pertinent : connecter le feedback, expliquer le constat, l’acheminer vers un responsable identifié, et montrer comment ce responsable peut agir. Identifiez les points où la séquence dépend d’un travail manuel, d’un support externe ou de capacités encore inscrites à la roadmap.

Ce test clarifie aussi les domaines où un investissement est nécessaire. Une plateforme peut combler des lacunes d’analyse tout en laissant à l’acheteur la gestion des identités, la gouvernance ou la responsabilité des workflows. Ces responsabilités doivent être financées et confiées à des responsables nommés pour que l’achat produise de la valeur.

Le meilleur choix est la plateforme dont les capacités déjà déployées correspondent aux priorités et à la capacité de l’organisation, avec une trajectoire crédible vers l’étape suivante. Une analyse plus sophistiquée devient utile lorsque l’entreprise peut la transformer en réponse fiable et autorisée.