Les équipes ne choisissent pas volontairement de piloter leur go-to-market (GTM) avec des données fragiles.
Mais considérer que ses données sont « suffisamment bonnes », c’est souvent accepter ce risque.
Sans audits réguliers de la qualité des données, des failles apparaissent rapidement dans le pipeline, le forecasting, la segmentation, la personnalisation, et de plus en plus dans les réponses générées par les modèles de langage (LLM).
Lors de nos échanges avec Toni Mastelić, VP Data chez Cognism, et Sandy Tsang, VP RevOps chez Cognism, un constat s’impose : un audit de la qualité des données GTM n’a rien de complexe ou d’ésotérique. Il nécessite surtout une définition claire de ce qu’est une donnée fiable, et un processus reproductible pour le garantir dans le temps.
Comme le résume Sandy :
« C’est un peu comme le ménage de printemps. Est-ce qu’on le fait toutes les semaines ou une fois par an ? Et dans ce cas-là, quelle ampleur ça prend ? »
Cet article propose un cadre simple et actionnable pour auditer votre CRM, votre data warehouse, votre stack GTM ou vos fournisseurs de données.
Lorsque les équipes dirigeantes estiment que les données de leur CRM sont « suffisamment bonnes », elles pensent généralement aux risques visibles. Pourtant, comme le soulignent Sandy et Toni, les risques les plus critiques sont souvent ceux qui n’apparaissent qu’une fois les décisions déjà prises.
Sandy aborde d’abord le sujet sous l’angle de la gouvernance et des décisions d'affaires.
Du point de vue de la conformité, le « suffisamment bon » n’a rien de subjectif :
“Quelqu’un comme un Chief Information Security Officer voudra s’assurer que nous avons une documentation claire sur l’origine des données, les consentements collectés, et l’ensemble du cadre associé.”
Si vous n’êtes pas en mesure de prouver clairement d’où viennent vos données, comment elles ont été collectées et si leur usage est légal, se contenter d'une qualité moyenne devient rapidement un risque.
Mais la principale inquiétude de Sandy concerne les revenus. Même lorsque les données CRM paraissent propres, elles sont souvent insuffisantes pour soutenir les décisions financières clés :
“Des données “suffisamment bonnes” ne permettent pas de mener des analyses solides sur le packaging produit, les stratégies de pricing ou de renouvellement."
"Elles donnent une direction générale, mais pas une vision complète de l’impact financier.”
Autrement dit, ces données peuvent orienter, mais rarement donner aux dirigeants la confiance nécessaire pour prendre d’excellentes décisions. À terme, cela se traduit par des stratégies de pricing sous-optimales, des opportunités d’upsell manquées et du churn évitable.
Toni adopte une approche plus opérationnelle, centrée sur ce qui se dégrade concrètement lorsque la qualité des données n’est pas maîtrisée.
Les premiers problèmes ne se voient ni dans les dashboards ni dans les audits. Ils apparaissent dans l’exécution quotidienne du GTM.
Des contacts pourtant valides cessent de fonctionner. Les commerciaux contactent les mauvaises personnes. Les relations entre champs se détériorent discrètement à mesure que les rôles évoluent, que les entreprises changent ou que les attributs deviennent obsolètes.
“Avoir un numéro de mobile vérifié une fois ne suffit pas. Avec le temps, il ne l’est plus.”
En surface, tout semble correct : les champs sont remplis, les systèmes fonctionnent. Mais l’utilisabilité des données se dégrade en profondeur.
Les équipes compensent sans toujours s’en rendre compte :
Les défaillances les plus dangereuses sont celles qui ne se signalent pas. La qualité des données peut sembler stable tout en devenant progressivement moins représentative du marché réel.
Lorsque les problèmes émergent enfin, dans la performance, les prévisions ou la segmentation, il ne s’agit plus d’un champ défectueux, mais d’un décalage profond entre les données et la réalité du marché..
Toni propose une approche simple et efficace pour auditer la qualité des données GTM, sans se perdre :
“On peut voir la qualité des données comme trois piliers : la couverture, la complétude et l’exactitude.”
Voici comment ces piliers se traduisent concrètement, et là où les équipes ont tendance à se tromper.
L’exactitude ne consiste pas à savoir si une donnée a été correcte à un moment donné, mais si elle l’est encore au moment où vous prenez une décision ou lancez une action.
Selon Toni, l’exactitude se dégrade silencieusement avec le temps, même lorsque les données paraissent fiables au départ. Un contact peut être vérifié, bien structuré, et pourtant faux, simplement parce qu’il n’a pas été mis à jour :
“Vous pouvez avoir une adresse email, parfois même vérifiée, mais si cette vérification date, ce n’est probablement plus la bonne.”
Ce phénomène ne concerne pas uniquement les données de contact. Les attributs au niveau des comptes sont tout aussi exposés :
“Même pour des informations comme le chiffre d’affaires ou les effectifs, est-ce que la donnée est toujours exacte trois mois plus tard ?”
Le risque est insidieux : rien ne semble cassé. Les champs sont remplis, les rapports s’exécutent, les dashboards s’affichent. Mais les décisions construites sur ces données s’éloignent progressivement de la réalité du marché.
La complétude est l’indicateur le plus séduisant dans un audit de données GTM, car il est immédiatement visible.
Champ vide ? Problème.
Champ rempli ? Tout va bien.
Sauf que la complétude, prise isolément, ne dit rien de l’utilisabilité réelle des données. Un champ peut être renseigné tout en étant obsolète, inexact ou trompeur. Un enregistrement peut sembler « parfait » dans le CRM et échouer dès qu’un commercial tente de l’exploiter.
C’est ici que de nombreuses équipes - et même certains audits - se trompent. La complétude est facile à optimiser : il suffit de remplir les champs. Mais sans exactitude ni mise à jour régulière, elle devient un faux signal de qualité.
Pire encore, survaloriser la complétude peut biaiser les décisions. Des datasets qui paraissent plus riches sont privilégiés au détriment de jeux de données plus restreints mais plus fiables.
Dans les comparaisons de solutions ou de partenaires data, cela conduit souvent à choisir l’option la plus « complète » en apparence, alors même que ses performances réelles en exécution GTM sont inférieures.
La couverture est le point de défaillance le plus fréquent des audits de données GTM, non pas parce qu’elle est ignorée, mais parce qu’elle est confondue avec la complétude.
Beaucoup d’équipes partent du principe que si les contacts sont bien renseignés, alors le dataset est représentatif. Pour Toni, c’est un raccourci dangereux :
« Il est facile d’avoir 100 % de complétude. Il suffit de remplir les champs avec n’importe quoi. Mais est-ce que la donnée est réellement exacte ? »
La complétude décrit ce qui existe dans le dataset.
La couverture, elle, concerne ce qui existe en dehors : les comptes, les décideurs et les rôles d’achat qui ne sont tout simplement pas visibles.
C’est là que s’installe une fausse confiance. Les équipes auditent les données qu’elles possèdent déjà, constatent une bonne complétude et de bonnes performances, et concluent que le système fonctionne. Mais cette conclusion repose sur une vision partielle du marché.
Comme l’explique Toni :
« Vous avez 100 profils qui semblent excellents, mais vous n’avez aucune idée qu’il en existe des milliers d’autres que vous devriez contacter, simplement parce qu’ils n’apparaissent pas dans le dataset. »
C’est pour cette raison que la quête du « 100 % de données » est une illusion. Vous n’aurez jamais une couverture exhaustive. L’enjeu réel est de couvrir les bonnes cibles, dans les bons comptes, pour les décisions que vous devez prendre.
« Vous n’aurez jamais 100 % de tout. L’important est de se concentrer sur ce qui compte réellement pour vos clients. »
Concrètement, les lacunes de couverture se traduisent par :
des décideurs absents des comptes stratégiques,
des rôles d’achat sous-représentés au-delà des personas habituels,
des régions ou segments limités non pas par la demande, mais par la visibilité.
Avec le temps, les équipes GTM s’adaptent à ces angles morts sans toujours en avoir conscience. La prospection se resserre. La segmentation s’auto-renforce. La stratégie finit par être dictée par les cibles les plus faciles à atteindre — et non par celles qui ont le plus de valeur.
Pour Sandy, des données GTM fiables ne se résument pas à des champs exacts pris séparément. La vraie question, c’est : est-ce que les données “tiennent ensemble” et racontent une histoire cohérente sur tout le cycle de vie client ?
“On doit avoir une vision complète et cohérente de ce à quoi ressemble réellement un client.”
Sans cette cohérence, impossible de répondre proprement aux questions qui comptent : LTV, potentiel d’expansion, risque de churn, ou encore “qu’est-ce qui a réellement changé dans ce segment ?”.
Comme le souligne Sandy, même une base bien entretenue devient vite peu fiable si les définitions évoluent, mais pas la documentation ni l’alignement entre équipes. Quand chaque équipe travaille avec une version légèrement différente de la vérité, les données peuvent sembler correctes - sans être réellement exploitables.
Du point de vue de Toni, le test est plus direct : une donnée fiable est une donnée sur laquelle vous êtes prêt à agir.
“Il faut pouvoir prendre cette donnée et baser une décision dessus.”
Avant d’ouvrir un tableur ou de lancer un audit champ par champ, alignez-vous sur votre “test de confiance”. Pour la plupart des organisations, ça se résume à trois questions :
Est-ce qu’on peut expliquer ce chiffre ?
Est-ce qu’on peut le défendre en transverse (RevOps, Sales, Marketing, Data, Finance, Sec/Legal) ?
Est-ce qu’on est prêts à prendre une décision commerciale dessus ?
Si la réponse est non, vous n’avez pas des données fiables, même si elles paraissent propres et complètes.
L’erreur la plus fréquente dans un audit de données GTM : vouloir tout évaluer d’un coup. Auditer toutes les données, toutes les régions, tous les contacts… ce n’est pas seulement irréaliste, c’est souvent inutile.
Avant de descendre au niveau champ, définissez un périmètre ciblé, là où la qualité des données a un impact direct. Pour la plupart des équipes, cela couvre :
vos comptes ICP et segments prioritaires,
vos régions cibles,
les rôles du buying committee que vous adressez réellement,
vos workflows à plus fort impact (routing, scoring, outbound, forecasting, communications lifecycle).
Une fois le périmètre posé, Toni recommande de le “stress tester” via des échantillons représentatifs, plutôt que de tenter un audit exhaustif dès le départ. L’idée : prendre un échantillon statistiquement significatif et le comparer à une ground truth (une réalité validée) :
« C’est statistiquement tout à fait viable. Si l’échantillon est assez grand, on peut conclure sur la qualité des données sans tout vérifier. On prend, par exemple, 1000 contacts, on collecte la ground truth pour cet échantillon, puis on compare. »
L’échantillonnage aide aussi à localiser les problèmes :
l’exactitude exige souvent une validation “dans le réel”,
la complétude, elle, se mesure plus facilement à grande échelle de façon programmatique.
Beaucoup d’équipes confondent mise à jour des données (data refresh) et audit de données. Les deux sont liés, mais ne répondent pas au même besoin.
Le refresh est opérationnel : il maintient les enregistrements à jour.
L’audit est stratégique : il vérifie si vos données soutiennent encore vos motions GTM, vos définitions et vos priorités.
Maintenir des données GTM vraiment à jour est bien plus difficile qu’il n’y paraît. Toni est très clair : se reposer sur des triggers d’événements ne fonctionne pas dans la vraie vie :
« On ne peut pas faire des mises à jour basées sur des événements. Il faut des mises à jour basées sur le temps, à des intervalles définis, parce que personne ne va nous envoyer un trigger quand quelqu’un change d’entreprise. »
Les changements de poste ne sont pas annoncés proprement, ni de façon exploitable machine. Et même quand des signaux existent, ils arrivent souvent tard ou de manière incomplète. La fraîcheur doit donc être pilotée volontairement, avec une cadence définie.
Pour les profils à forte valeur, Toni partage un standard réaliste utilisé en interne :
« Nous mettons à jour les profils high tier tous les mois. »
Mais plus souvent n’est pas automatiquement mieux. Dans beaucoup d’organisations, des refresh trop agressifs augmentent surtout le coût et le bruit, sans gain significatif d’exactitude.
C’est là qu’il faut reconnaître l’écart entre un fournisseur data… et une équipe GTM.
Pour une data company, la fraîcheur est une infrastructure : process, outillage et ressources sont conçus pour la validation continue. Pour la majorité des organisations, essayer de répliquer ça en interne devient vite intenable.
L’enjeu n’est donc pas de tout rafraîchir, mais d’être lucide sur :
quels segments justifient un refresh fréquent,
où s’arrête la responsabilité interne,
et où un partenaire data spécialisé peut porter la charge plus efficacement.
Même sans refresh mensuel, vous pouvez auditer si la fraîcheur devient un risque :
% de contacts touchés ou vérifiés sur les 30/60/90 derniers jours (par segment)
taux de job change et taux de mismatch (contact ↔ entreprise)
évolution des bounce rates et des “mauvais numéros”
% de champs “unknown” ou vides en hausse (souvent signe d’un enrichissement ou de sync qui déraille)
Si ces indicateurs se dégradent, surtout sur vos segments Tier 1, la fraîcheur impacte déjà l’exécution GTM, même si ce n’est pas encore visible partout.
L’audit, c’est autre chose : c’est prendre du recul et valider que vos données reflètent toujours votre stratégie, vos définitions et vos priorités. Sur la cadence, Sandy reste volontairement pragmatique :
« Je dirais une fois par an. »
Pas parce que rien ne bouge pendant l’année, mais parce qu’un point de contrôle annuel évite qu’une dérive progressive se transforme en refonte majeure :
« L’objectif est de le faire avant que ça ne devienne un problème énorme. »
Dans la pratique, une cadence réaliste ressemble souvent à :
Annuel : audit GTM complet + revue des définitions / versions (glossaire, sources, règles)
Trimestriel : contrôles santé des KPIs + validation des flux de pipeline
Mensuel : contrôles de fraîcheur sur les segments Tier 1 et les workflows les plus critiques
En bref : rafraîchir en continu, auditer de manière intentionnelle.
Est-ce que ces données sont justes ?
L’approche de Toni sur l’exactitude repose sur une validation de la réalité, et pas uniquement sur une inspection des systèmes.
Le point clé ici, c’est la réalité terrain. L’exactitude ne peut pas être déduite de la seule cohérence interne des données. Il faut un point de référence externe : vérification manuelle, sources tierces fiables, ou confirmation directe pour savoir si un enregistrement est toujours vrai.
L’IA peut aider à accélérer cette étape en collectant une base d’information, mais la validation humaine reste indispensable. Comme l’explique Toni :
« On peut utiliser l’IA pour collecter les données de base, puis demander à nos data annotators de vérifier. Ça permet d’accélérer un peu le process. »
Autrement dit, l’automatisation réduit l’effort, mais le jugement reste nécessaire pour confirmer l’exactitude.
Validation aléatoire des champs à fort impact (poste, entreprise, région, niveau de séniorité, email, téléphone)
Vérification des relations (cette personne travaille-t-elle toujours dans cette entreprise ?)
Exactitude de la segmentation (comptes et contacts correctement classés)
Erreurs de déduplication et de fusion (une entité réelle éclatée en plusieurs enregistrements, ou plusieurs entités fusionnées à tort)
Lorsque l’exactitude se dégrade sur ces points, les systèmes en aval ne font pas que moins bien performer : ils induisent activement les équipes en erreur. Et contrairement aux problèmes de fraîcheur, les erreurs d’exactitude restent souvent invisibles jusqu’à ce que les résultats commerciaux commencent à en souffrir.
La complétude reste un indicateur utile, à condition de la traiter comme un signal secondaire, pas comme un objectif.
Une approche simple et efficace :
Suivre la complétude des champs critiques par segment (par exemple, comptes Tier 1 ou comptes en pipeline actif, plutôt que l’ensemble de la base)
Coupler la complétude avec des seuils d’exactitude et de fraîcheur : un champ ne compte que s’il est à la fois renseigné et fiable
Considérer une complétude “trop parfaite” comme un signal d’alerte, elle révèle souvent des données inférées, dupliquées ou à faible niveau de confiance, plutôt qu’une couverture réelle
La complétude est surtout utile de manière directionnelle. Une chute brutale peut signaler un enrichissement cassé, un problème de synchronisation ou un flou sur l’ownership. Une hausse progressive des champs “unknown” ou vides précède souvent une dégradation des métriques de pipeline.
Si la complétude progresse mais que les taux de conversion, de contact ou la qualité de qualification ne s’améliorent pas, c’est un signal fort : les données paraissent saines, mais ne créent pas de valeur opérationnelle.
L’objectif ici n’est pas d’évaluer la taille de votre base de données de manière abstraite, mais de faire ressortir les manques qui limitent directement le pipeline aujourd’hui.
Vous pouvez mettre à l'épreuve la couverture de vos données sur trois axes principaux :
Couverture des décideurs
Où les commerciaux peinent-ils systématiquement à identifier les décideurs seniors ?
Quels rôles nécessitent encore des recherches manuelles ou des contournements ?
Où les opportunités stagnent faute d’avoir intégré le bon stakeholder ?
Profondeur du comité d'achat
Quels segments ne font remonter qu’un ou deux contacts par compte ?
Où les parties prenantes techniques, financières ou régionales sont-elles absentes ?
Certains personas n’apparaissent-ils qu’à des stades très avancés du cycle de vente ?
Couverture géographique et par segment
Quelles régions sous-performent malgré une priorité stratégique affichée ?
Où le pipeline est-il en décalage avec les effectifs commerciaux ou les attentes de TAM ?
Les segments dits “faibles” le sont-ils réellement, ou simplement sous-couverts ?
Un autre indicateur clé : là où les équipes passent un temps disproportionné à compenser les lacunes :
sourcing excessif sur LinkedIn,
fichiers Excel maintenus en dehors du CRM,
demandes d’enrichissement manuelles,
exceptions répétées dans les règles de routing ou de scoring.
Ce sont des signaux clairs que la couverture data limite le passage à l’échelle.
Toni et Sandy convergent sur un même point : l’IA est utile, à condition de la considérer comme un outil d’appui, pas comme une autorité.
Selon Sandy :
« On peut clairement s’appuyer sur l’IA pour identifier des irrégularités, des anomalies, et challenger la cohérence de l’approche… »
Mais, précise-t-elle :
« Au final, ce sont les équipes qui connaissent le mieux leurs données. »
Elle propose d’ailleurs une image très parlante :
« C’est davantage un coach qu’une machine qui donne la réponse. »
Toni va plus loin sur le risque principal lié aux LLM : leur tendance à “compléter” les données manquantes… en les inventant.
« Si un LLM travaille sur des données incomplètes, il va chercher à les rendre complètes en hallucinent des informations. »
Il alerte également sur un problème souvent sous-estimé : la fragmentation des données. Les LLM peinent à reconstruire correctement le contexte et les relations :
« Les remettre dans le bon contexte et construire un profil cohérent est extrêmement difficile. Le modèle va piocher une information dans un fichier, une autre ailleurs, et produire quelque chose qui a l’air de très bonne qualité, mais qui est entièrement fabriqué. »
Un audit de données GTM n’a pas pour objectif d’atteindre la perfection. Il vise à répondre à une question beaucoup plus opérationnelle :
peut-on affirmer, avec confiance, que les données sur lesquelles on s’appuie reflètent encore la réalité du marché, des clients et de la stratégie aujourd’hui ?
Ce que Sandy et Toni soulignent tous les deux, c’est que les données échouent rarement de façon brutale. Elles dérivent. Les définitions évoluent. La fraîcheur se dégrade. La couverture se resserre. Et les équipes s’adaptent progressivement à ces écarts, jusqu’au moment où les décisions deviennent difficiles à justifier.
C’est précisément pour cela que les audits sont essentiels. Pas comme des opérations ponctuelles de nettoyage, mais comme un point de contrôle intentionnel.
Le refresh maintient les données à jour.
L’audit vérifie qu’elles restent fiables, alignées et réellement exploitables.
Pour la plupart des organisations, l’enjeu n’est pas de tout gérer en interne, mais d’être clair sur :
ce qui doit absolument être digne de confiance,
où la fraîcheur et la couverture sont critiques,
et quelles briques doivent être traitées comme de l’infrastructure plutôt que comme un effort ponctuel des équipes.
Si vos données GTM vous permettent de prendre des décisions avec confiance, l’audit remplit son rôle.
Si ce n’est pas le cas, aucune notion de « suffisamment bon » ne compensera le coût de décisions prises sur des bases fragiles.