Les données clients et dossiers comme système de référence

Un associé d'un cabinet de 200 avocats lance une vérification de conflits pour un nouveau client, « Meridian Holdings LLC ». La recherche ne renvoie rien. Trois semaines plus tard, la facturation découvre que Meridian est client depuis 2019, enregistré sous « Meridian Holding Corp » dans le CRMCRMCustomer Relationship Management : logiciel et stratégie pour gérer et analyser les interactions clients tout au long de leur cycle de vie.Voir la définition complète → (customer relationship management system) et sous « Meridian Hldgs » dans le système de practice management. Le cabinet a failli accepter un dossier opposé à un client existant. Ce n'est pas un incident rare. C'est l'état par défaut des données en services professionnels lorsque les fiches clients et dossiers ne sont pas gouvernées comme un système de référence : la version unique et autoritative d'une entité de données, à laquelle tous les autres systèmes doivent se référer ou se réconcilier.

Cette leçon traite des données auxquelles se fier, de la façon d'en mesurer la qualité, et des benchmarks qui vous disent si les données clients et dossiers de votre cabinet sont à la hauteur.

Pourquoi ces données sont structurellement difficiles

Les cabinets de services professionnels (cabinets d'avocats, cabinets comptables et d'audit, cabinets de conseil, boutiques d'advisory) vendent du temps et de l'expertise, pas des unités de stock. Leurs objets de données centraux ne sont pas des produits, ce sont des relations et des missions :

• Client : l'entité juridique ou la relation avec l'acheteur économique.
• Dossier (juridique) ou engagement (conseil/comptabilité) : un travail spécifique, avec son propre budget, son équipe et son périmètre.
• Contact : une personne physique rattachée à un client, souvent avec plusieurs rôles selon les dossiers.

Deux caractéristiques structurelles rendent ces données difficiles à maintenir propres :

1. Les hiérarchies clients sont réellement complexes. Un même groupe (par exemple un portefeuille de private equity) peut comporter une société mère, des filiales, des joint-ventures, et des dirigeants qui sont aussi clients à titre personnel. Si le CRM modélise le « client » comme une liste plate plutôt que comme une hiérarchie avec des relations parent-enfant, la visibilité cross-sell s'effondre : l'équipe fiscale ne sait pas que l'équipe M&A travaille déjà avec la même société mère ultime.

1. Le codage des dossiers/engagements se fait sous pression. Un nouveau dossier est souvent ouvert le jour même, par celui qui est le plus rapide, en saisissant le nom du client en texte libre. Sans contrôle obligatoire par référence à une liste client mamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète →ître, c'est là que naissent les doublons.

Les jeux de données essentiels

La décision de conception critique : quel système possède l'entité client, et quels systèmes s'y réfèrent seulement. Dans les cabinets mûrs, le CRM ou une couche dédiée de master data managementmaster data managementLe Master Data Management (MDM) est la discipline qui consiste à créer et maintenir une version unique, cohérente et fiable des entités métier centrales d'une organisation : clients, produits, fournisseurs.Voir la définition complète → (MDM) possède l'ID client, et les systèmes de practice management, de facturation et de conflits le récupèrent par intégration au lieu d'autoriser une saisie locale en texte libre. Les cabinets qui n'ont pas cela finissent par réconcilier des listes clients dans des tableurs, un mode de défaillance bien connu.

Comme référence pratique sur la structuration des données d'entités, le framework GLEIF Legal Entity Identifier (LEI) est un standard externe utile : un code de 20 caractères identifiant de façon unique les entités juridiques au niveau mondial, de plus en plus utilisé par les banques et les grands groupes. Certains cabinets adoptent le LEI comme identifiant client vérifié en croisement, précisément parce que les ID clients internes ne sont pas fiables.

Les standards au niveau des champs qui empêchent les doublons

Les fiches clients en doublon sont presque toujours imputables à un petit nombre de champs non gouvernés. Corrigez ces quatre-là et les taux de duplication chutent nettement :

• Dénomination sociale : imposez une source canonique (registres d'immatriculation de l'État, ou un fournisseur d'enrichissement de données comme Dun & Bradstreet) plutôt que du texte libre. Stockez les noms commerciaux (« doing business as », DBA) comme des alias, pas comme des fiches distinctes.
• Identifiant fiscal : Employer Identification Number (EIN) américain ou, pour les personnes physiques, un ID interne masqué ; en Europe, numéro de TVA ou identifiant au registre national des sociétés (ex. numéro du Handelsregister allemand, numéro Companies House au Royaume-Uni). C'est votre meilleure clé de déduplication car elle est quasi unique et stable.
• Classification sectorielle : utilisez une taxonomie standard (NAICS aux États-Unis, NACE dans l'UE) plutôt que de laisser chaque practice group inventer ses propres libellés. C'est ce qui rend l'analytics cross-sell possible : « montre-moi tous les clients en NAICS 522110 (banque commerciale) qui ne font pas encore appel à notre practice réglementaire ».
• Champ de relation parent-enfant : obligatoire pour tout client ayant des sociétés affiliées connues, renseigné à l'intake, pas laissé vide « pour l'instant ».

Une logique de matching minimale

Les outils de déduplication combinent généralement matching déterministe et matching flou. Une version simplifiée en pseudocode :

if client_A.tax_id == client_B.tax_id and tax_id is not null:
    match_score = 1.0  # correspondance déterministe
else:
    match_score = weighted_similarity(
        name_similarity(client_A.legal_name, client_B.legal_name) * 0.5,
        address_similarity(client_A.address, client_B.address) * 0.3,
        domain_similarity(client_A.email_domain, client_B.email_domain) * 0.2
    )

if match_score > 0.85:
    flag_for_manual_review(client_A, client_B)

C'est la logique qui sous-tend les outils MDM comme Reltio ou Informatica MDM, couramment déployés dans les projets de nettoyage des données clients des grands cabinets.

Gouvernance et métriques de qualité qui comptent ici

Les dimensions génériques de qualité de données (complétude, exactitude, cohérence, fraîcheur) doivent être traduites au secteur :

• Taux de doublons : pourcentage de fiches clients identifiées comme doublons lors d'un audit périodique. Les grands cabinets qui mènent un premier nettoyage MDM constatent couramment des taux de doublons de 5 à 15 % sur le référentiel client (estimation, sur la base des constats habituels de ces projets ; le taux réel est propre à chaque cabinet).
• Complétude de la hiérarchie : pourcentage de clients avec un lien parent-enfant renseigné là où l'on sait qu'il en existe un. Une faible complétude prédit directement le cross-sell manqué.
• Intégrité du lien dossier-client : pourcentage de dossiers avec une clé étrangère valide et non nulle vers une fiche du référentiel client. Cela devrait être de 100 % en pratique ; tout écart signifie que des dossiers sont « orphelins » et invisibles dans le reporting relationnel.
• Délai de traitement des vérifications de conflits : heures ou jours entre la demande d'ouverture d'un nouveau dossier et la vérification de conflits validée. C'est une métrique de gouvernance à implications directes en matière de risque au regard des règles déontologiques (aux États-Unis, la Model Rule 1.7 de l'ABA sur les conflits d'intérêts ; au Royaume-Uni, les SRA Standards and Regulations).
• Taux d'adoption du golden record : pourcentage de systèmes aval (facturation, conflits, CRM) qui consomment effectivement l'ID client maître plutôt qu'une copie locale.

Analytics et benchmarks

Dès lors que les données sous-jacentes sont fiables, quelques analyses deviennent possibles, qui relèvent sinon de la fiction :

• Pénétration cross-sell : nombre de practice areas ou de lignes de services utilisées par groupe client, suivi par rapport au total des lignes de services disponibles. Un cabinet peut découvrir que ses 50 premiers groupes clients utilisent en moyenne 2,3 des 12 lignes de services disponibles, un chiffre de white space concret pour le développement commercial, mais calculable seulement si les données de hiérarchie sont propres.
• Concentration client par société mère ultime : chiffre d'affaires consolidé au sommet de la hiérarchie du groupe, et non seulement au niveau de l'entité facturée. Sans consolidation hiérarchique, le risque de concentration est sous-estimé, un vrai problème quand les cabinets évaluent leur dépendance à un client économique unique.
• Tendance de rentabilité par dossier : taux réalisé versus taux standard dans le temps, ce qui exige un lien propre dossier-client-timekeeper.

Un exemple chiffré simple : si un cabinet compte 4 000 fiches clients actives et qu'un audit de données en identifie 420 comme doublons d'une autre fiche du système (soit un taux de doublons de 10,5 %, cohérent avec la fourchette sectorielle couramment citée pour des référentiels clients non remédiés), alors tout rapport cross-sell construit avant nettoyage sous-estime la valeur relationnelle réelle de chaque groupe client concerné, parce que le chiffre d'affaires et les dossiers sont répartis sur plusieurs fiches « fantômes » au lieu d'être consolidés sur une seule.

Points clés

• Traitez le référentiel client comme un système de référence gouverné avec un seul système propriétaire ; tout autre système (facturation, conflits, practice management) doit s'y référer, pas maintenir sa propre copie.
• Les champs à plus fort effet de levier pour éviter les doublons sont la dénomination sociale, l'identifiant fiscal (EIN/TVA/numéro au registre des sociétés), le code sectoriel (NAICS/NACE) et les liens hiérarchiques parent-enfant.
• Suivez le taux de doublons, la complétude de la hiérarchie, l'intégrité du lien dossier-client et le délai des vérifications de conflits comme métriques de gouvernance centrales, pas comme de simples scores abstraits de « qualité de données ».
• L'analytics cross-sell et de concentration ne vaut que ce que valent les consolidations hiérarchiques ; un taux de doublons de 10 % (estimation réaliste et couramment citée pour des systèmes non remédiés) peut fausser sensiblement les deux.
• Les vérifications de conflits d'intérêts sont un sujet de qualité de données avec des conséquences déontologiques directes (ABA Rule 1.7, SRA Standards), pas seulement une contrainte opérationnelle.