De nos jours, les entreprises investissent de plus en plus dans de nouvelles technologies capables de collecter et d\u2019agr\u00e9ger divers types de donn\u00e9es afin de rendre le travail plus agile et efficace. Cependant, lors de l\u2019utilisation d\u2019une pile technologique complexe, des d\u00e9fis importants apparaissent souvent, tels que : <\/p>\n
Ces d\u00e9fis poussent de nombreuses entreprises \u00e0 adopter une Customer Data Platform (CDP).<\/p>\n
Une CDP peut collecter, unifier et g\u00e9rer les donn\u00e9es de premi\u00e8re et de tierce partie dans un entrep\u00f4t de donn\u00e9es unique<\/strong>, offrant ainsi une vue \u00e0 360 degr\u00e9s de leurs clients. Cela permet aux organisations d\u2019obtenir l\u2019intelligence d\u2019affaires n\u00e9cessaire pour augmenter les ventes, fid\u00e9liser les clients et prendre des d\u00e9cisions strat\u00e9giques fond\u00e9es sur les donn\u00e9es. <\/p>\n Dans un \u00e9pisode passionnant du podcast Humans of Martech, Michael Katz rappelle les 8 \u00e9tapes essentielles qui constituent une Customer Data Platform, telles que rapport\u00e9es par Arpit Choudhury dans sa s\u00e9rie d\u2019articles sur les Customer Data Platforms :<\/p>\n Chacune de ces \u00e9tapes repr\u00e9sente un d\u00e9fi tant d\u2019un point de vue technologique que strat\u00e9gique et \u00e9thique. Explorons ensemble celles que nous consid\u00e9rons comme les plus significatives dans le contexte d\u2019une solution exploitant la puissance du Cloud Data Warehouse au lieu d\u2019une Customer Data Platform traditionnelle, \u00e0 savoir : <\/p>\n Cette phase englobe toutes les activit\u00e9s d\u2019acquisition de donn\u00e9es utilisateurs. Au sein de la CDI (Customer Data Infrastructure), elle comprend tous les outils et strat\u00e9gies de collecte, en commen\u00e7ant par le suivi analytique et les pixels publicitaires, en poursuivant par la convergence des donn\u00e9es au sein des syst\u00e8mes CRM, et en s\u2019\u00e9tendant \u00e0 des solutions de collecte plus avanc\u00e9es telles que les cartes de fid\u00e9lit\u00e9 au point de vente, les donn\u00e9es g\u00e9olocalis\u00e9es ou les donn\u00e9es synth\u00e9tiques.<\/strong><\/p>\n Cette phase est souvent sous-estim\u00e9e et abord\u00e9e de mani\u00e8re inverse par rapport au flux de travail id\u00e9al. L\u2019approche courante tend \u00e0 \u00eatre \u00ab collecter les donn\u00e9es d\u2019abord, puis comprendre comment les utiliser \u00bb, ce qui m\u00e8ne souvent \u00e0 des difficult\u00e9s lors de la fusion ult\u00e9rieure ou \u00e0 l\u2019absence de donn\u00e9es fondamentales. Un exemple classique est de ne pas exposer dans le suivi en ligne les donn\u00e9es typiques du monde physique, comme les identifiants d\u2019utilisateurs, ce qui rend ensuite impossible la corr\u00e9lation entre les deux comportements. <\/p>\n Une infrastructure de donn\u00e9es clients solide part des besoins et des objectifs de l\u2019entreprise, couvre l\u2019ensemble du parcours client et vise une collecte de donn\u00e9es \u00e9thique et robuste.<\/p>\n Dans cette phase, il est souvent essentiel d\u2019adopter une approche \u00ab lean \u00bb, en suivant de mani\u00e8re exhaustive mais uniquement ce qui est n\u00e9cessaire.<\/strong> Cette approche permet de dissiper l\u2019illusion de suivre toutes les donn\u00e9es et garantit que seules les donn\u00e9es ayant un but pr\u00e9cis circulent dans les syst\u00e8mes de l\u2019entreprise.<\/p>\n L\u2019ETL est la deuxi\u00e8me \u00e9tape du parcours des donn\u00e9es utilisateurs et englobe tous les processus qui m\u00e8nent \u00e0 l\u2019extraction des donn\u00e9es, \u00e0 leur transformation dans un format commun et \u00e0 leur chargement dans l\u2019entrep\u00f4t de donn\u00e9es.<\/strong><\/p>\n Au cours de cette phase, les entreprises rencontrent souvent des probl\u00e8mes de transformation des donn\u00e9es, de perte de donn\u00e9es lors de l\u2019ingestion et de n\u00e9cessit\u00e9 de maintenir la coh\u00e9rence des donn\u00e9es. Ces probl\u00e8mes d\u00e9coulent fr\u00e9quemment d\u2019approches sous-optimales lors de l\u2019\u00e9tape initiale, o\u00f9 de grandes quantit\u00e9s de donn\u00e9es incoh\u00e9rentes et mal structur\u00e9es sont collect\u00e9es, laissant la responsabilit\u00e9 de l\u2019ingestion \u00e0 la phase ETL, ce qui rend difficile la r\u00e9solution des probl\u00e8mes \u00e0 la source. <\/p>\n M\u00eame \u00e0 ce stade, partir d\u2019objectifs commerciaux \u00ab lean \u00bb permet d\u2019\u00e9tablir des mod\u00e8les et des structures de donn\u00e9es, ainsi qu\u2019un but clair. Cela simplifie la compr\u00e9hension de la mani\u00e8re dont les tables doivent \u00eatre li\u00e9es et du format de donn\u00e9es optimal, rendant le travail ETL simple et robuste et garantissant la pr\u00e9sence d\u2019un Data Warehouse rationalis\u00e9, efficace et facile \u00e0 maintenir. <\/p>\n Dans cette phase, l\u2019identit\u00e9 d\u2019un utilisateur est trac\u00e9e \u00e0 travers diverses plateformes \u00e0 l\u2019aide d\u2019identifiants uniques.<\/strong> Ce processus est fondamental pour le concept m\u00eame de Customer Data Platform. Avant tout, il d\u00e9place l\u2019attention des canaux vers l\u2019utilisateur, rendant les actions cibl\u00e9es et la fid\u00e9lisation largement accessibles. De plus, il permet de briser les silos de l\u2019entreprise et d\u2019obtenir une vue v\u00e9ritablement unifi\u00e9e du comportement et de l\u2019interaction de l\u2019utilisateur. <\/p>\n Ce qui rend la r\u00e9solution d\u2019identit\u00e9 complexe, c\u2019est qu\u2019une entit\u00e9 peut avoir plusieurs identifiants associ\u00e9s. Ces identifiants peuvent varier en fonction de la source ou du syst\u00e8me dont ils proviennent. Par exemple, une personne peut avoir un identifiant bas\u00e9 sur son num\u00e9ro de t\u00e9l\u00e9phone dans un syst\u00e8me, un autre bas\u00e9 sur son adresse e-mail dans un autre syst\u00e8me, et ainsi de plus. La hi\u00e9rarchie des ID implique d\u2019organiser ces identifiants dans une structure ou une s\u00e9quence logique qui d\u00e9termine lesquels sont les plus fiables ou prioritaires par rapport aux autres. <\/p>\n La partie cruciale de la r\u00e9solution d\u2019identit\u00e9 consiste \u00e0 lier ces identifiants entre eux. Cela peut se faire par diverses techniques, telles que l\u2019analyse des similitudes entre les identifiants, la v\u00e9rification de l\u2019\u00e9galit\u00e9 entre eux ou l\u2019utilisation d\u2019algorithmes de corr\u00e9lation avanc\u00e9s. L\u2019objectif est de connecter ou de mapper diff\u00e9rents identifiants \u00e0 un identifiant primaire ou unique pour l\u2019entit\u00e9 en question. <\/p>\n Bytek Prediction Platform<\/strong> r\u00e9sout ce probl\u00e8me en aidant \u00e0 la configuration d\u2019un identifiant unique d\u00e8s la phase de collecte des donn\u00e9es, garantissant ainsi que l\u2019ensemble du processus reste coh\u00e9rent et rationnel. Cette approche permet d\u2019\u00e9viter des activit\u00e9s complexes de mod\u00e9lisation et de r\u00e9conciliation qui peuvent \u00eatre co\u00fbteuses et entra\u00eener une faible qualit\u00e9 des donn\u00e9es. <\/p>\n Une fois la phase de r\u00e9solution d\u2019identit\u00e9 termin\u00e9e, vous pouvez \u00eatre certain d\u2019avoir une vue \u00e0 360 degr\u00e9s de l\u2019utilisateur. Par cons\u00e9quent, tous les mod\u00e8les et segments que vous appliquez peuvent \u00eatre attribu\u00e9s \u00e0 l\u2019utilisateur individuel, lib\u00e9rant ainsi tout le potentiel de l\u2019automatisation et de la personnalisation de l\u2019exp\u00e9rience utilisateur. <\/strong><\/p>\n Les utilisateurs sont divis\u00e9s en groupes homog\u00e8nes bas\u00e9s sur des crit\u00e8res tels que les int\u00e9r\u00eats, les comportements ou les donn\u00e9es d\u00e9mographiques. Ce processus permet de personnaliser les strat\u00e9gies marketing en fonction des besoins et des pr\u00e9f\u00e9rences de chaque groupe.<\/strong><\/p>\n Commen\u00e7ons par distinguer deux processus qui sont parfois confondus mais bien diff\u00e9rents : la segmentation et le clustering.<\/p>\n Par segmentation, nous entendons la division de notre base de clients en segments. Habituellement, cette activit\u00e9 est bas\u00e9e sur des crit\u00e8res qualitatifs et des d\u00e9cisions commerciales. Les audiences cr\u00e9\u00e9es ne tiennent pas compte de la \u00ab similitude \u00bb entre les utilisateurs, qui peut \u00eatre prise en compte \u00e0 l\u2019aide de techniques de clustering statistique. L\u2019importance est sans aucun doute forte, mais la valeur statistique est faible, ce qui entra\u00eene une mauvaise fiabilit\u00e9 des donn\u00e9es et une difficult\u00e9 \u00e0 utiliser le segment pour le reciblage ou l\u2019analyse d\u2019insights. <\/p>\n Le clustering, en revanche, est une analyse statistique qui permet de diviser une audience en groupes d\u2019utilisateurs \u00ab similaires \u00bb en fonction des param\u00e8tres que nous utilisons. Par exemple, nous pouvons produire une analyse RFM visant \u00e0 identifier les clients \u00e0 fort potentiel, les clients fr\u00e9quents mais d\u00e9pensant peu, et les meilleurs clients. En utilisant des techniques de clustering comme K-Means, nous regrouperons les utilisateurs en segments efficaces et significatifs, en attribuant le bon label et en surveillant statistiquement quand notre clustering continue d\u2019avoir une bonne coh\u00e9rence. <\/p>\n Souvent, la segmentation des utilisateurs souffre de probl\u00e8mes qui compromettent compl\u00e8tement son efficacit\u00e9. Examinons les plus courants : <\/p>\n Cela se produit g\u00e9n\u00e9ralement lorsque nous n\u2019utilisons pas de m\u00e9thodologies de segmentation statistique ou lorsque les donn\u00e9es entrantes sont inexactes.<\/strong> Dans le premier cas, nous avons \u00e9t\u00e9 trop arbitraires dans la cr\u00e9ation du segment d\u2019audience, incluant des utilisateurs qui n\u2019appartiennent probablement pas directement \u00e0 ce groupe. L\u2019exemple classique est l\u2019inclusion d\u2019utilisateurs dans la cat\u00e9gorie \u00ab Meilleurs clients \u00bb qui ne sont pas actuellement les meilleurs clients de l\u2019entreprise, mais qui recevront tout de m\u00eame des messages et des promotions comme s\u2019ils l\u2019\u00e9taient. <\/p>\n Dans le second cas, le probl\u00e8me ne r\u00e9side pas dans le syst\u00e8me de segmentation mais dans la collecte des donn\u00e9es : nous avons peut-\u00eatre perdu certaines transactions importantes en raison de probl\u00e8mes de suivi ou de donn\u00e9es mal g\u00e9r\u00e9es provenant d\u2019une source particuli\u00e8re. Par cons\u00e9quent, un client tr\u00e8s important pourrait se retrouver dans un cluster de moindre valeur et ne pas b\u00e9n\u00e9ficier pleinement de toutes les strat\u00e9gies qui lui sont d\u00e9di\u00e9es. <\/p>\n Une autre erreur courante en segmentation est la tendance \u00e0 cr\u00e9er des groupes trop petits pour \u00eatre statistiquement significatifs et utilisables sur les plateformes publicitaires.<\/p>\n Si nous voulons garantir que nos strat\u00e9gies marketing tirent le meilleur parti du potentiel de segmentation, nos groupes doivent avoir une taille permettant de les cibler dans des campagnes sur les plateformes publicitaires ainsi que dans nos syst\u00e8mes de marketing direct.<\/strong><\/p>\n En ce qui concerne les plateformes publicitaires, nous devons tenir compte des limitations de confidentialit\u00e9 et des limitations r\u00e9elles de diffusion. La premi\u00e8re limitation est une m\u00e9thode de protection des plateformes visant \u00e0 les emp\u00eacher d\u2019identifier facilement les utilisateurs individuels t\u00e9l\u00e9charg\u00e9s sur leurs plateformes et d\u2019avoir ainsi acc\u00e8s \u00e0 des informations sans leur consentement. La protection est absolument n\u00e9cessaire, mais elle pose un d\u00e9fi de ciblage. Nous devons toujours \u00eatre en mesure de cr\u00e9er des audiences d\u2019au moins 800\/1000 utilisateurs si nous voulons assurer l\u2019activation via Meta ou Google. <\/p>\n Nous devons \u00e9galement nous rappeler que tous les utilisateurs ne seront pas reconnus lorsque nous envoyons ces segments aux plateformes. Les pourcentages de correspondance varient consid\u00e9rablement d\u2019un secteur \u00e0 l\u2019autre, et nous ne pouvons v\u00e9rifier qu\u2019a posteriori si nos strat\u00e9gies de segmentation cr\u00e9ent effectivement des audiences utilisables. <\/p>\n M\u00eame dans le cas de campagnes de marketing direct, il est important d\u2019avoir la bonne taille d\u2019audience. Avoir des segments de 1 ou 2 utilisateurs n\u2019est pas avantageux en termes d\u2019agr\u00e9gation et d\u2019automatisation et peut nous emp\u00eacher d\u2019envoyer des messages efficaces. <\/p>\n Souvent, les activit\u00e9s de segmentation sont r\u00e9alis\u00e9es sans tenir compte de la strat\u00e9gie marketing et des objectifs commerciaux. Typiquement, les entreprises sont divis\u00e9es en silos, et la segmentation est effectu\u00e9e soit par l\u2019\u00e9quipe IT\/Data Science, soit par l\u2019\u00e9quipe Marketing. <\/p>\n Cette division des r\u00f4les conduit souvent \u00e0 des segments qui ne sont pas parfaitement align\u00e9s avec la strat\u00e9gie et, par cons\u00e9quent, difficiles \u00e0 utiliser. Par exemple, avoir un segment de clients fr\u00e9quents n\u2019est pas toujours strat\u00e9gique si notre objectif ultime n\u2019est pas d\u2019augmenter le nombre de meilleurs clients mais de faire cro\u00eetre la base de clients. <\/p>\n Dans le cas de segments bas\u00e9s sur la d\u00e9mographie ou les int\u00e9r\u00eats, la question devient encore plus sensible. Fournir des donn\u00e9es sur le sexe ou l\u2019\u00e2ge est une activit\u00e9 standard qui implique souvent une complexit\u00e9 et des d\u00e9fis li\u00e9s au RGPD, m\u00eame s\u2019il n\u2019y a pas de campagne envisageant cette segmentation. <\/p>\n Seule l\u2019implication active des professionnels de l\u2019entreprise dans le projet d\u2019enrichissement des donn\u00e9es clients garantit que l\u2019audience s\u2019aligne sur les besoins strat\u00e9giques et soit imm\u00e9diatement applicable.<\/strong><\/p>\n Comme nous l\u2019avons vu au d\u00e9but, une segmentation manuelle qui ne tient pas compte d\u2019une approche statistique risque d\u2019inclure dans certains clusters des utilisateurs qui ne sont pas r\u00e9ellement similaires aux autres. Bien que cette flexibilit\u00e9 puisse \u00eatre tr\u00e8s appr\u00e9ci\u00e9e d\u2019un point de vue strat\u00e9gique, il n\u2019est pas rare de voir que l\u2019utilisation d\u2019audiences construites de cette mani\u00e8re entra\u00eene de mauvaises performances de campagne en raison d\u2019une segmentation d\u2019audience incorrecte. <\/p>\n Le processus de Reverse ETL est un \u00e9l\u00e9ment crucial de la capacit\u00e9 d\u2019une CDP \u00e0 s\u2019int\u00e9grer dans un \u00e9cosyst\u00e8me marketing et \u00e0 activer efficacement la segmentation et l\u2019enrichissement des donn\u00e9es clients.<\/p>\n Le processus invers\u00e9 part de la source unique de v\u00e9rit\u00e9, l\u2019entrep\u00f4t de donn\u00e9es cr\u00e9\u00e9 lors de la phase ETL, et extrait les donn\u00e9es pour les int\u00e9grer dans des plateformes d\u2019activation telles que le CRM, les plateformes de Marketing Automation et les plateformes PPC (Google, Meta, TikTok).<\/strong><\/p>\n Le processus de Reverse ETL est seul responsable de la cr\u00e9ation de requ\u00eates efficaces et d\u2019int\u00e9grations stables pour garantir que les donn\u00e9es circulent correctement et permettent \u00e0 l\u2019\u00e9quipe marketing d\u2019obtenir des r\u00e9sultats optimaux.<\/p>\n Cependant, il ne suffit souvent pas d\u2019avoir des requ\u00eates bien structur\u00e9es. Nous devons nous concentrer sur les besoins sp\u00e9cifiques d\u2019une campagne ou d\u2019un parcours d\u2019automatisation pour garantir que le flux de donn\u00e9es puisse \u00eatre activ\u00e9 avec une strat\u00e9gie claire et percutante. <\/p>\n Bytek Prediction Platform est construite sur ce postulat, transformant le paradigme des donn\u00e9es non seulement au niveau technique mais, plus important encore, au niveau strat\u00e9gique.<\/p>\n Nous avons d\u00e9j\u00e0 d\u00e9velopp\u00e9 des strat\u00e9gies d\u2019activation et d\u2019am\u00e9lioration des performances telles que l\u2019ench\u00e8re enrichie, et gr\u00e2ce \u00e0 nos strat\u00e9gies, nous pouvons inverser le flux de donn\u00e9es et exposer toutes les donn\u00e9es n\u00e9cessaires pour que des plateformes comme Google Ads exploitent les donn\u00e9es de premi\u00e8re partie et am\u00e9liorent consid\u00e9rablement les performances des campagnes.<\/p>\n Ce processus est rendu possible par une vaste exp\u00e9rience dans la collecte et l\u2019int\u00e9gration de donn\u00e9es marketing, ainsi que par une compr\u00e9hension approfondie des dynamiques du marketing num\u00e9rique.<\/p>\n De cette mani\u00e8re, le processus de Reverse ETL peut v\u00e9ritablement \u00eatre d\u00e9crit comme de bout en bout.<\/p>\n","protected":false},"excerpt":{"rendered":" De nos jours, les entreprises investissent de plus en plus dans de nouvelles technologies capables de collecter et d\u2019agr\u00e9ger divers types de donn\u00e9es afin de rendre le travail plus agile et efficace. Cependant, lors de l\u2019utilisation d\u2019une pile technologique complexe, des d\u00e9fis importants apparaissent souvent, tels que : L\u2019incapacit\u00e9 \u00e0 g\u00e9rer les donn\u00e9es de mani\u00e8re […]<\/p>\n","protected":false},"author":1,"featured_media":1972,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[29],"tags":[],"class_list":["post-1971","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-non-classe"],"yoast_head":"\n\n
\n
Infrastructure de donn\u00e9es clients (CDI)<\/h2>\n
ETL (Extract, Transform, Load) et ingestion de donn\u00e9es<\/h2>\n
R\u00e9solution d\u2019identit\u00e9<\/h2>\n
Segmentation d\u2019audience<\/h2>\n
Appartenance incorrecte \u00e0 un groupe<\/h3>\n
Le probl\u00e8me d\u2019une taille de groupe trop petite<\/h3>\n
La pertinence limit\u00e9e de la segmentation pour les strat\u00e9gies marketing<\/h3>\n
La faible similitude entre les individus au sein du groupe<\/h3>\n
Reverse ETL<\/h2>\n