Nettoyer sa base de leads étudiants CRM avant une campagne

À quoi ressemble une base de leads sale dans le CRM d'une HES ou d'une université suisse ?

Une base sale, c'est d'abord une base qui ment sur sa propre taille. Un responsable admissions qui ouvre son CRM avant une campagne d'automne découvre souvent trois fiches pour la même future étudiante — une créée via le formulaire de brochure, une via la journée portes ouvertes, une troisième via un salon d'orientation — chacune avec une orthographe légèrement différente du nom ou une adresse email différente. Le compteur affiche 3 400 contacts ; la réalité en compte peut-être 2 600.

Le reste de la saleté se répartit en quatre catégories récurrentes : numéros à neuf chiffres au lieu de dix, indicatifs mal saisis (+33 collé à un numéro suisse), adresses email avec une faute de frappe dans le domaine (gnail.com, hotmial.com), et fiches mortes — des prospects qui ont rempli un formulaire il y a deux ans pour un salon et n'ont plus jamais réagi depuis. Prise isolément, chaque catégorie semble mineure. Additionnées sur une base constituée au fil des HES, des salons romands et des campagnes Google Ads successives, elles peuvent représenter 15 à 25% de la base totale.

Le problème dépasse l'esthétique du tableau. Une campagne envoyée sur une base sale gaspille du budget d'acquisition sur des contacts qui n'existent plus, fausse les taux d'ouverture et de conversion utilisés pour juger la performance, et — plus grave sur le plan opérationnel — expose un conseiller admissions à contacter deux fois la même personne avec deux messages différents, ce qui écorne la crédibilité de l'établissement avant même le premier échange réel.

Pourquoi nettoyer avant une campagne compte plus que nettoyer après

Nettoyer après coup répare des dégâts déjà causés ; nettoyer avant les évite. La différence n'est pas cosmétique : une fois qu'une campagne d'admission part sur une liste de numéros invalides, l'argent publicitaire ou le temps de l'agence d'envoi est déjà dépensé, et les métriques (taux d'ouverture, taux de réponse SMS, taux de décroché téléphonique) sont durablement biaisées vers le bas — ce qui pousse parfois une équipe à conclure, à tort, que le message ou le canal ne fonctionne pas.

Il y a aussi un effet de réputation technique : un envoi massif vers des adresses mortes ou des numéros invalides dégrade la délivrabilité du domaine d'envoi et le score expéditeur, ce qui pénalise ensuite les campagnes suivantes — y compris celles adressées à des prospects parfaitement valides.

Le coût d'acquisition moyen d'un étudiant inscrit en Suisse se situe entre 2 500 et 3 500 euros dans le panel Skolbot — un montant exprimé en euros dans le benchmark source pour la comparabilité internationale, soit un ordre de grandeur indicatif d'environ CHF 2'400 à 3'300 pour une école romande (Source : content/zpd-bank.json#cost-per-acquisition-by-country, estimations Skolbot, 2025-2026). Chaque prospect fantôme — doublon, numéro invalide, adresse morte — dilue ce budget sans jamais pouvoir se convertir : sur une campagne ciblant 2 000 contacts dont 20% sont inexploitables, ce sont potentiellement 400 contacts qui absorbent du budget d'envoi pour un retour nul.

Comment dédoublonner une base de leads étudiants concrètement

Le dédoublonnage efficace ne repose jamais sur un seul champ. Comparer uniquement les noms génère des faux positifs (deux "Marie Dupont" différentes) et des faux négatifs (une fiche "Marie Dupont" et une fiche "M. Dupond" qui désignent la même personne). La méthode qui fonctionne croise plusieurs signaux :

• Email + nom de famille : le croisement le plus fiable, car une adresse email est rarement partagée entre deux personnes distinctes.
• Téléphone + prénom : utile quand une même personne a utilisé deux adresses email différentes (une personnelle, une scolaire) pour deux formulaires distincts.
• Établissement d'origine + date de naissance, quand cette donnée est collectée : redondant avec les deux premiers, mais tranche les cas ambigus où nom et email diffèrent légèrement.

Une fois les doublons identifiés, la fusion ne doit jamais se faire par suppression pure : la fiche conservée doit hériter de l'historique complet des deux fiches d'origine (dates d'interaction, canal d'entrée, réponses au chatbot). Supprimer une fiche sans fusionner son historique fait perdre le contexte qui explique l'intérêt du prospect — un conseiller qui rappelle sans savoir que la personne a déjà posé une question sur le financement recommence une conversation à zéro.

Email et téléphone : la différence entre "bien formaté" et "vérifié"

Un champ email qui contient un arobase et un point n'est pas pour autant un email valide — c'est simplement un champ qui respecte un format. La validation de format (regex, domaine plausible) élimine les erreurs de frappe grossières, mais elle ne détecte ni les domaines disparus, ni les boîtes pleines, ni les adresses jetables créées pour télécharger une brochure sans engagement réel.

La vérification réelle va plus loin : elle interroge le serveur de messagerie (vérification SMTP) ou s'appuie sur l'historique d'engagement (une adresse ayant ouvert au moins un email dans les six derniers mois est présumée active) pour distinguer une adresse qui existe d'une adresse qui répond effectivement. Même logique côté téléphone : un numéro à dix chiffres commençant par 07 ou 08 respecte un format suisse plausible, mais seule une tentative de contact réelle — appel, SMS avec accusé de réception — confirme une ligne active.

Pour une école romande qui gère des prospects venant de Suisse et de France voisine, l'indicatif est un piège fréquent : un numéro saisi sans le "+41" ou avec un "+33" resté par erreur d'un copier-coller devient inutilisable pour un envoi SMS automatisé, même s'il correspond à une personne bien réelle. Google Search Central rappelle, dans un contexte plus large de qualité des données structurées, que des informations de contact incohérentes nuisent autant à l'expérience utilisateur qu'à la fiabilité des systèmes qui les exploitent.

La checklist avant de lancer une campagne d'admission

Cette checklist n'a pas vocation à être exécutée manuellement contact par contact au moment du lancement d'une campagne : les étapes 1 à 4 s'automatisent largement via des règles de validation dans le CRM, et seule l'étape 5 demande un vrai regard humain pour juger la pertinence des fiches incomplètes. Notre comparatif de CRM pour écoles supérieures détaille les fonctionnalités de dédoublonnage natif à vérifier avant de choisir un outil.

Comment un chatbot bien configuré empêche les données sales d'entrer dans le CRM

La méthode la plus efficace contre une base sale n'est pas de mieux nettoyer, c'est de moins salir à la source. Un formulaire web classique accepte à peu près n'importe quoi tant que le champ n'est pas vide : un numéro à huit chiffres, un email sans domaine réel ou un nom saisi sans espace passent souvent la validation basique d'un formulaire statique.

Un chatbot conversationnel positionné au moment de la capture change cette dynamique. Parce qu'il échange en temps réel plutôt que de présenter un formulaire figé, il peut valider le format d'un numéro suisse à la saisie et redemander immédiatement si le format ne correspond pas ("Ce numéro semble incomplet, pouvez-vous le vérifier ?"), plutôt que de laisser une donnée invalide entrer silencieusement dans le CRM pour être découverte des mois plus tard lors d'une purge. Le même mécanisme s'applique à l'email : une syntaxe manifestement incorrecte déclenche une reformulation immédiate, corrigée par la personne elle-même pendant qu'elle est encore engagée dans la conversation — un taux de correction impossible à obtenir a posteriori par email de relance.

Cette capture propre à la source a un effet direct sur le volume de prospects réellement exploitables, pas seulement sur leur qualité de format. Sur un panel de 18 écoles suivies par Skolbot entre 2024 et 2025, le nombre de prospects qualifiés par mois est passé en médiane de 120 à 195 (+62%) après la mise en place d'un chatbot IA sur le site, tandis que le coût par prospect qualifié est passé de 42 à 26 (-38%) (Source : content/zpd-bank.json#chatbot-roi-metrics, résultats médians, 2024-2025). Ce gain ne s'explique pas uniquement par la validation à la saisie — la disponibilité du chatbot hors heures de bureau y contribue aussi — mais une base d'entrée plus propre réduit mécaniquement le travail de nettoyage en aval.

Pour resituer cet effet dans le calcul global du coût par étudiant inscrit, notre article sur le calcul du CAC étudiant détaille la méthode de calcul complète, doublons et données invalides inclus.

Conservation des données et nLPD : ce que la Suisse impose

La Suisse n'est pas soumise au RGPD : elle applique la nLPD, la nouvelle Loi fédérale sur la protection des données, en vigueur depuis le 1er septembre 2023, sous l'autorité du PFPDT (Préposé fédéral à la protection des données et à la transparence). La Suisse bénéficie d'une décision d'adéquation de l'UE pour les transferts de données, mais le droit européen ne s'applique pas directement sur son territoire — c'est la nLPD qui fixe les obligations d'un établissement romand.

Sur le nettoyage de base, la nLPD touche directement la question de la conservation : les coordonnées d'un prospect ne doivent être gardées que le temps nécessaire à la finalité pour laquelle elles ont été collectées. Une fiche inactive depuis plusieurs années, jamais convertie et jamais recontactée, ne relève plus seulement d'un problème de propreté de base — elle devient un motif de non-conformité si elle n'a plus de finalité active. Purger régulièrement les contacts dormants au-delà d'un délai raisonnable n'est donc pas qu'une bonne pratique marketing, c'est une exigence réglementaire à documenter dans la politique de conservation de l'établissement.

FAQ

À quelle fréquence faut-il nettoyer une base de leads étudiants CRM ?

Un contrôle léger (purge des emails en échec dur, doublons évidents) a lieu après chaque envoi de masse. Un nettoyage approfondi — dédoublonnage croisé, vérification d'engagement, revue des champs obligatoires — se planifie idéalement chaque trimestre, et systématiquement avant une campagne d'admission majeure.

Combien de temps prend le nettoyage d'une base avant une campagne ?

Pour une base de quelques milliers de contacts avec des règles de dédoublonnage déjà configurées, un cycle automatisé prend quelques heures. Le temps humain se concentre sur la revue des fiches ambiguës — celles où l'outil signale un doublon possible sans certitude suffisante pour fusionner automatiquement.

Faut-il supprimer définitivement les contacts invalides ou les archiver ?

L'archivage est préférable à la suppression pour les contacts simplement inactifs : ils peuvent redevenir pertinents lors d'une future campagne de réactivation, comme détaillé dans notre article sur la réactivation de leads dormants. Les emails en échec permanent et les numéros confirmés invalides, eux, doivent sortir des listes d'envoi actives pour protéger la délivrabilité, dans le respect des délais de conservation fixés par la nLPD.

Un chatbot suffit-il à garantir une base propre sans aucun nettoyage manuel ?

Non. Il réduit fortement l'entrée de nouvelles données sales en validant le format à la saisie, mais il ne résout pas les doublons créés par des sources multiples (salons, formulaires historiques, imports) ni l'érosion naturelle d'une base — adresses obsolètes, numéros changés. Le nettoyage périodique reste nécessaire en complément.

Quel est l'impact réel d'une base sale sur le taux de conversion d'une campagne ?

Une base dégradée fausse les indicateurs de performance et gaspille le budget alloué aux contacts inexploitables, ce qui réduit mécaniquement le taux de conversion apparent — même si les prospects valides convertissent normalement. Selon les benchmarks compilés par HubSpot Research, la qualité des données figure parmi les facteurs les plus cités pour expliquer l'écart entre performance attendue et performance réelle d'une campagne.

Pour une vue d'ensemble de la stratégie d'acquisition qui alimente cette base, y compris les canaux qui produisent le moins de doublons, notre guide marketing digital pour écoles supérieures couvre l'entonnoir complet.