Les 24 termes de données marketing les plus fréquemment mal compris

Imaginez que vous êtes un marketeur en train de planifier une campagne de reconquête et que vous demandez à votre équipe de données une liste de « clients inactifs ». Vous vous attendez à obtenir les personnes qui n'ont rien acheté depuis 90 jours. Mais la liste reçue est basée sur les utilisateurs qui n'ont pas ouvert votre application depuis 30 jours, car c'est ainsi que l'« inactivité » est définie dans les données. 

Ou alors, vous demandez des mises à jour d'audience en « temps réel » pour éviter d'envoyer un message du type « vous nous manquez » à quelqu'un qui vient de passer commande. Vous imaginez une liste qui s'actualise toutes les 15 minutes. L'équipe de données, elle, comprend « des mises à jour en quelques secondes » et revient vers vous avec des questions sur une nouvelle infrastructure, des coûts récurrents et des délais plus longs.

Ces divergences ont un impact sur ce qui est construit, sur le coût final et sur le moment où l'équipe marketing pourra l'utiliser. Se mettre d'accord dès le départ sur ce qu'est un « client », sur ce qui rend une audience prête et sur la fraîcheur requise pour un signal permet d'éviter que des malentendus ne vous obligent à refaire toute la campagne.

Ce guide présente 24 termes que le marketing et l'ingénierie des données interprètent souvent différemment, articulés autour de cinq questions pratiques sur l'exécution des campagnes. Utilisez ces paires de définitions pour lancer la discussion : clarifiez les hypothèses, identifiez les besoins de chaque côté et accordez-vous sur des définitions adaptées à votre entreprise avant de commencer le travail.

Téléchargez ici le PDF imprimable contenant les 24 termes.

1. D'où proviennent les données de la campagne ?

Les informations contenues dans un outil marketing peuvent dépendre de plusieurs systèmes et étapes de traitement. Comprendre ce parcours vous aide à expliquer vos besoins et à déterminer où appliquer un changement. Prenons par exemple un champ appelé « date du dernier achat ». Avant de l'utiliser pour identifier les clients perdus, mettez-vous d'accord pour savoir s'il inclut les commandes annulées et quel système fournit cette date.

Mettez-vous d'accord sur : la provenance de la valeur, ce qu'elle inclut et qui la gère.

2. Qui représente une fiche client ?

L'identité du client détermine qui est inclus, exclu ou, pire encore, compté deux fois. Commencez par définir ce que représente un enregistrement unique et comment l'équipe décide que deux enregistrements sont liés.

La connaissance qu'a le marketing de la relation client aide l'ingénierie à prendre de meilleures décisions concernant l'identité. Dans l'exemple de la reconquête, cibler une personne ou un foyer sont deux approches utiles pour organiser les données clients. La campagne nécessite un choix explicite entre les deux. Une vue par foyer peut convenir à une offre limitée à un seul foyer. Une vue par personne peut convenir à un avantage de fidélité individuel.

Une base de données partagée permet aux équipes de maintenir des vues clairement nommées pour ces différents usages et de réutiliser celle qui convient. Chacune doit avoir une définition documentée, des identifiants pour lier les enregistrements et un propriétaire pour les règles de correspondance.

Mettez-vous d'accord sur : le fait que la campagne cible une personne, un compte, un foyer ou un appareil, et sur la manière dont les enregistrements correspondants sont associés.

3. Qu'est-ce qui rend une audience prête à être activée ?

Une audience passe par plusieurs états : les règles qui la définissent, les enregistrements éligibles et les enregistrements qu'une destination peut utiliser. Chaque état répond à une question différente sur la préparation de la campagne.

Supposons que 50 000 personnes correspondent à un segment, mais que la plateforme d'e-mailing n'accepte que 47 000 de ces enregistrements. Dans cet exemple, la différence peut s'expliquer par des identifiants de destination manquants, des enregistrements rejetés ou des exclusions appliquées lors de l'envoi. L'équipe doit tenir compte de cet écart avant de décider que l'audience est prête.

Distinguer clairement la définition, les membres évalués et le résultat de la transmission facilite les choses. Le marketing peut vérifier si les règles correspondent bien à l'audience visée. L'ingénierie peut vérifier si les bons enregistrements sont arrivés à destination. Les deux équipes peuvent ainsi faire la différence entre des exclusions normales et un problème à résoudre.

Cette même précision est utile pour les prédictions. Si la campagne nécessite un score de propension, nommez la prédiction et ce qu'elle doit estimer. Cela donne à l'équipe un élément plus concret à construire et à valider que le simple terme « modèle ».

Mettez-vous d'accord sur : les règles de sélection de l'audience, la prédiction ou l'attribut requis, et la manière dont la transmission sera validée.

4. Quand les données sont-elles assez fraîches ?

La fraîcheur dépend de la décision client que vous essayez de prendre. Une seule campagne peut avoir plusieurs exigences de timing, même lorsque ses données proviennent d'une seule plateforme.

Prenons l'exemple d'un score d'attrition (churn) calculé chaque nuit et envoyé à un outil d'engagement toutes les 15 minutes. Une livraison plus fréquente ne signifie pas que la prédiction date de 15 minutes. Elle repose toujours sur le calcul nocturne.

Ajoutons maintenant un client qui effectue un achat ce matin. La campagne devra peut-être retirer cette personne d'une audience de reconquête avant le prochain envoi, tandis que le score d'attrition peut attendre son prochain calcul planifié. Il s'agit d'exigences distinctes ayant des conséquences différentes pour le client.

Pour donner du sens à la fraîcheur des données, identifiez le début et la fin du délai : de l'achat à sa disponibilité dans la plateforme de données, de cette disponibilité à un changement d'appartenance à l'audience, ou de ce changement d'appartenance au moment où la destination est en mesure de l'exploiter.

Ces distinctions aident l'équipe à investir dans la rapidité là où elle transforme l'expérience. Elles offrent également au marketing un meilleur moyen de décrire un problème plutôt que de dire que l'ensemble de la campagne doit être en « temps réel ».

Mettez-vous d'accord sur : l'événement client qui déclenche le chrono, l'endroit où les données mises à jour doivent être exploitables et le délai acceptable.

5. Qui est responsable lorsque les données sont utilisées ?

L'accès aux données clients soulève des questions sur leur signification, leur utilisation autorisée et leur propriété continue. Ces responsabilités perdurent lorsqu'une audience quitte la plateforme de données.

En pratique, gouvernance couvre également la qualité des données, leur propriété et leur utilisation appropriée. Un bon point de départ consiste à identifier la source désignée pour chaque décision. Le système qui établit l'identité du client peut différer de celui qui enregistre une préférence de canal ou calcule le chiffre d'affaires.

Suivez ensuite les données jusqu'à leur destination. Une audience qui était éligible lors de l'exportation peut nécessiter une mise à jour des exclusions avant un envoi ultérieur. Une copie sauvegardée peut survivre à la campagne qui l'a créée. Les équipes doivent savoir comment les modifications parviennent à destination et à qui incombe le travail en cas de problème.

Databricks CustomerLake, la CDP agentique, apporte les fonctionnalités d'une plateforme de données clients nativement dans Databricks et son socle de gouvernance. Travailler à partir de ce socle partagé offre aux équipes marketing et data un espace pour partager un contexte client de confiance. 

Mettez-vous d'accord sur : la source faisant autorité pour chaque décision, l'utilisation autorisée et le responsable des mises à jour à la destination.

Plan d'action : Rendre un accord utile au-delà d'une seule campagne

Pour les équipes qui s'appuient sur Databricks, l'étape suivante consiste à rendre ces accords essentiels réutilisables. Les équipes peuvent documenter les définitions métier dans Unity Catalog, puis les rendre accessibles pour l'analyse dans Genie, la création d'audiences dans CustomerLake ou le développement de modèles de ML. Chaque nouvelle campagne peut s'appuyer sur des définitions sur lesquelles le marketing et l'ingénierie des données se sont déjà accordés et qu'ils ont mises en pratique.

Choisissez un terme qui a suscité de la confusion lors d'une campagne récente. Analysez un exemple client avec votre équipe data, puis enregistrez la décision là où la prochaine personne qui utilisera les données pourra la trouver.

Pour « client », cela signifie nommer ce qu'un enregistrement représente et les identifiants associés. Pour « date du dernier achat », cela signifie documenter les transactions qui comptent. Pour « audience prête », cela signifie s'accorder sur ce qui doit être vérifié avant le lancement.

Associez la signification convenue au jeu de données ou au workflow qui l'implémente, et identifiez qui doit être impliqué en cas de modification. La documentation et l'implémentation doivent évoluer ensemble.

Cela devient particulièrement utile lorsque les marketeurs demandent à des outils en langage naturel et à des agents d'AI de travailler avec les données clients. « Trouver nos clients inactifs les plus précieux » laisse encore une marge d'interprétation concernant la valeur, l'inactivité, l'identité et l'autorisation. Sans instructions explicites, l'AI prendra ses propres décisions, mais une décision différente à chaque fois. Fournir aux outils d'AI des définitions métier et un contexte explicites permettra d'obtenir des résultats meilleurs et plus cohérents.

Un bon test consiste à voir si une personne rejoignant la prochaine campagne peut comprendre la décision sans avoir à retrouver les participants de la réunion d'origine. Si c'est le cas, l'équipe a créé un élément réutilisable.

À propos de cette série

Aider les marketeurs à dialoguer avec l'ingénierie des données est une série en six parties développée en partenariat avec Matthew Niederberger de MartechTherapy. Les 24 définitions de cet article sont reproduites à partir de son guide produit de manière indépendante, sponsorisé par Databricks. 

Lisez l'article original de Matthew, Même mot, sens différent, pour découvrir sa perspective et obtenir la référence imprimable à apporter lors de votre prochaine réunion.

Prochain article de la série : Comment rédiger une demande de données exploitable.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original