Doublons CRM : pourquoi ils apparaissent et comment les éliminer pour de bon

Un doublon CRM est une fiche client créée deux fois pour la même personne, souvent suite à une saisie manuelle ou un changement de téléphone. Ils faussent vos statistiques de fidélité, font partir des push en double et peuvent priver un client de ses points accumulés sur une fiche orpheline.

Un client vient vous voir, légèrement agacé : « Je viens souvent ici et mes points n’avancent pas. J’en suis toujours au même endroit depuis des mois. » Vous regardez son profil dans le CRM et vous voyez une fiche avec 3 tampons et une autre avec 5 tampons – deux fiches pour la même personne. Les points sont dispersés entre deux profils, aucun n’atteint le seuil de récompense. Le client pense que votre programme ne fonctionne pas. La réalité : votre base de données a un problème de doublons, et ce client n’est probablement pas le seul. Ce guide vous explique pourquoi les doublons apparaissent, comment les traiter et surtout comment les empêcher de se reformer.

Les 5 raisons les plus courantes des doublons dans un CRM commerce

Les doublons dans un CRM de fidélité apparaissent pour 5 raisons principales : changement de numéro de téléphone du client, saisie manuelle par un vendeur différent, inscription depuis plusieurs points de vente, import d’une ancienne base non nettoyée, ou légère variation dans le numéro saisi (avec ou sans indicatif international).

Raison 1 : le client change de numéro de téléphone.
C’est la cause numéro un des doublons dans un programme de fidélité basé sur le téléphone. Le client arrive avec un nouveau numéro, ne pense pas à mentionner qu’il était déjà inscrit, et s’inscrit à nouveau. Résultat : deux fiches, deux soldes de points séparés. Dans certains cas, le client a oublié lui-même qu’il était inscrit avec son ancien numéro.

Raison 2 : saisie manuelle par un vendeur.
Dans les CRM où c’est le vendeur qui crée la fiche client (plutôt que le client qui s’inscrit lui-même), les erreurs de saisie sont fréquentes. « Jean-Michel » vs « Jean Michel » vs « Jeanmichel ». « Dupont » vs « Du Pont ». Chaque variation peut créer une fiche distincte si l’identifiant n’est pas le numéro de téléphone mais la combinaison prénom+nom.

Raison 3 : inscription depuis plusieurs points de vente.
Si vous gérez plusieurs établissements et que vos bases ne sont pas unifiées, un client peut s’inscrire dans votre boutique du centre-ville un lundi et dans votre boutique de la gare le vendredi. Deux fiches dans deux bases séparées, sans synchronisation.

Raison 4 : import d’une ancienne base non nettoyée.
Quand un commerçant change d’outil de fidélité et importe son ancienne base CSV, les doublons présents dans l’ancienne base arrivent avec eux. Sans contrôle à l’import, ils s’intègrent silencieusement dans le nouveau CRM.

Raison 5 : variations dans le format du numéro.
« 0601234567 » et « +33601234567 » désignent le même numéro, mais un CRM qui ne normalise pas les formats les traite comme deux identifiants différents. Cette situation est fréquente dans les bases importées depuis des tableurs où chaque vendeur saisissait les numéros dans son propre format.

Ce que les doublons coûtent réellement à votre programme de fidélité

Les doublons coûtent trois choses concrètes à votre programme : des push envoyées en double (qui irritent les clients qui les reçoivent deux fois), des statistiques faussées (votre CRM vous annonce 800 clients alors que vous en avez réellement 650), et des récompenses manquées pour les clients dont les points sont dispersés entre plusieurs fiches.

Voici le coût réel des doublons, catégorie par catégorie :

Coût statistique. Si votre base affiche 800 clients mais contient 150 doublons, votre « vrais » base est de 650 personnes distinctes. Vous prenez des décisions sur la base de chiffres gonflés de 23 %. Votre taux de rétention apparent, votre taux de clients actifs, votre panier moyen – toutes ces métriques sont faussées. Vous ne savez pas réellement combien de clients vous avez.

Coût en satisfaction client. Recevoir deux fois la même push promotion dans la même journée, c’est irritant. Le client qui vous fait confiance comprend que votre système « ne fonctionne pas bien ». Ce sentiment d’amateurisme nuit à votre image de marque bien au-delà du programme de fidélité.

Coût en récompenses non déclenchées. Un client qui a 5 tampons sur une fiche et 4 tampons sur une autre, dans un programme où la récompense est à 10 tampons, n’atteindra jamais le seuil avec ses deux fiches séparées. Il finira par abandonner le programme en pensant qu’il est « truqué » ou trop difficile à atteindre.

Coût RGPD. Conserver plusieurs fiches pour la même personne signifie que vous stockez des données personnelles dupliquées sans nécessité. En cas de demande de suppression de la part du client, vous devez identifier et supprimer toutes ses fiches – pas seulement celle qu’il connaît.

Détecter les doublons dans une base existante

Détecter les doublons dans une base CRM existante repose sur l’identification des fiches partageant le même numéro de téléphone (avec normalisation du format), le même prénom et nom proches, ou les deux combinés. Un export CSV suivi d’un tri et d’une comparaison manuelle suffit pour une base jusqu’à 1 000 fiches.

La méthode pas à pas pour détecter les doublons :

Étape 1 : exporter la base complète. Depuis votre tableau de bord CRM, exportez toutes les fiches en format CSV avec au minimum : numéro de téléphone, prénom, nom, date de création de la fiche, solde de points actuel.

Étape 2 : normaliser les numéros de téléphone. Dans votre tableur, créez une colonne « téléphone normalisé » qui ramène tous les numéros au même format (ex : 10 chiffres sans indicatif). Cela révèle immédiatement les doublons cachés par des variantes de format.

Étape 3 : trier par numéro normalisé. Les fiches avec le même numéro apparaissent côte à côte. Identifiez-les visuellement – pour une base de 500 fiches, cette étape prend 15 à 20 minutes.

Étape 4 : rechercher les doublons « nom proche ». Trier ensuite par prénom + nom pour identifier les fiches avec des variantes orthographiques (« Marie-Claire Dupont » vs « Marie Claire Dupont »). Cette étape est plus longue et plus subjective.

Étape 5 : marquer les paires de doublons identifiées. Dans une colonne « doublon de », notez le numéro de fiche à conserver pour chaque paire. Vous obtenez ainsi une liste d’actions de fusion à exécuter.

Fusionner deux fiches sans perdre l’historique

La fusion de deux fiches doublons consiste à identifier la fiche principale (la plus complète ou la plus récente), y transférer les données et les points manquants depuis la fiche secondaire, puis supprimer la fiche secondaire. L’historique des transactions doit être conservé dans sa totalité pour éviter qu’un client perde ses points.

Les règles de la fusion :

Choisir la fiche principale. Privilégiez la fiche la plus complète (avec le plus de champs renseignés), la plus récente (si les deux sont incomplètes), ou celle avec le plus de points si le reste est équivalent. En cas de doute : la fiche la plus récente prime.

Additionner les points, ne pas choisir. Si la fiche A a 5 tampons et la fiche B a 3 tampons, la fiche finale doit avoir 8 tampons. Ne perdez jamais les points d’une fiche secondaire. C’est une question de confiance client : si un client se plaint de points manquants après une fusion, votre programme perd toute crédibilité.

Compléter les données manquantes. Si la fiche A a la date de naissance et la fiche B l’email, la fiche fusionnée doit avoir les deux. La fusion est l’occasion d’obtenir la fiche client la plus complète possible.

Supprimer (et non juste désactiver) la fiche secondaire. Une fiche « désactivée » mais toujours présente dans la base peut ressortir lors d’un futur import ou d’une recherche. La suppression est définitive et propre.

Notifier le client si nécessaire. Si la fusion corrige une situation de points « perdus » pour le client, envoyez-lui une push : « [Prénom], nous avons consolidé votre compte de fidélité. Votre solde est maintenant de [X] tampons ! » Cette communication positive transforme un problème de base de données en témoignage de votre sérieux.

Bloquer les doublons à la source : la seule solution durable

Bloquer les doublons à la source signifie utiliser le numéro de téléphone comme identifiant unique dans le CRM, avec validation en temps réel à l’inscription. Quand un client tente de s’inscrire avec un numéro déjà existant dans la base, le système lui affiche sa fiche existante plutôt que de créer une nouvelle fiche. C’est le seul mécanisme qui empêche structurellement la formation de doublons.

Le numéro de téléphone est l’identifiant parfait pour un programme de fidélité local, pour plusieurs raisons :

• Il est unique par personne (du moins, on en change rarement)
• Il est vérifiable en temps réel (validation de format)
• Il est le canal de communication naturel des push notifications
• Le client s’en souvient toujours (contrairement à un email peu utilisé)

Revient utilise le numéro de téléphone comme identifiant primaire. Lors de chaque nouvelle inscription, l’algorithme compare le numéro saisi (après normalisation du format) avec l’ensemble de la base. Si une correspondance est trouvée, le système ne crée pas de nouvelle fiche – il redirige vers la fiche existante. Ce mécanisme est automatique et transparent pour le client.

En pratique, cela signifie que si un de vos clients change de numéro et tente de se réinscrire, il sera détecté comme nouvelle personne (numéro différent). C’est le seul cas résiduel de doublon potentiel. La solution : former vos vendeurs à demander « Avez-vous déjà une carte chez nous ? » avant de lancer l’inscription, et à chercher la fiche par prénom si oui.

Cas pratique : dédoublonnage d’une base de 500 fiches

Un épicier fine a importé 500 fiches depuis son ancien tableur Excel dans Revient. Après audit, il trouve 68 doublons (13,6 % de la base), dont 42 détectables par numéro de téléphone et 26 par combinaison prénom/nom. Le nettoyage prend 3 heures et 15 minutes. Voici le déroulé complet.

Voici le déroulé réaliste d’un audit de dédoublonnage sur une base importée :

Phase 1 (30 min) : export et normalisation. Export CSV depuis Revient. Ouverture dans Google Sheets. Création d’une colonne « téléphone normalisé » avec une formule qui retire tous les espaces, tirets et indicatifs. Tri par cette colonne.

Phase 2 (45 min) : détection des doublons téléphone. Parcours manuel de la liste triée. Identification des 42 paires avec numéro identique ou quasi-identique. Marquage dans une colonne « doublon de [ID] ».

Phase 3 (60 min) : détection des doublons nom. Nouveau tri par colonne prénom+nom. Identification des 26 paires avec variations orthographiques. Cette phase est plus lente car elle demande un jugement humain (« Jean-Pierre Dumont » et « Jean Pierre Dumont » sont probablement la même personne, mais « Jean Dumont » et « Jean-Pierre Dumont » peut-être pas).

Phase 4 (45 min) : fusions dans le CRM. Pour chaque paire identifiée, transfert des points depuis la fiche secondaire vers la fiche principale, complétion des données manquantes, suppression de la fiche secondaire. À 68 doublons, c’est environ 40 secondes par doublon une fois le processus rodé.

Résultat : la base passe de 500 à 432 fiches uniques. Les statistiques de fidélité (taux de retour, panier moyen, fréquence de visite) sont désormais calculées sur des données réelles. 12 clients avaient des points dispersés entre deux fiches et atteignent maintenant le seuil de leur récompense. Une push de notification est envoyée à ces 12 clients pour leur annoncer la bonne nouvelle.

Questions fréquentes