Le dernier kilomètre : pourquoi d'excellentes données propriétaires ne suffisent toujours pas à faire un excellent marketing

Le mois dernier, une équipe de données et une équipe marketing se sont retrouvées dans la même pièce et ont parlé sans se comprendre pendant 45 minutes.

Les ingénieurs parlaient de tables Delta et d'architecture médaillon. Les marketeurs parlaient de parcours, de segments et d'optimisation de l'heure d'envoi. Même client. Mêmes données. Deux langues complètement différentes. Personne n'avait tort. Ils ne parvenaient tout simplement pas à s'entendre.

Cette zone d'ombre — entre le lieu où résident les données et celui où elles sont activées — est l'endroit où des millions de dollars de valeur client sont perdus chaque semaine, au sein d'entreprises dotées d'une infrastructure de données de premier plan et d'ambitions marketing de classe mondiale. Elles ont la fusée, mais elles ont oublié la rampe de lancement.

Le rapport de recherche de Scott Brinker, Le nouveau « stack » martech à l'ère de l'AI, publié en partenariat avec Databricks, nomme précisément ce qui doit remplacer l'architecture à l'origine de ce problème. Il l'appelle le canevas composable. Le diagnostic est tout à fait juste, et la direction qu'il indique est exactement celle vers laquelle ce partenariat est conçu pour aller.

Ce que le canevas composable signifie concrètement pour les marketeurs

Si vous avez déjà exporté un CSV depuis votre entrepôt de données, l'avez envoyé par e-mail à l'équipe de campagne et avez attendu trois jours pour qu'il soit importé dans votre plateforme marketing — c'est que l'ancien modèle de stack vous fait défaut.

Pendant deux décennies, les technologies martech ont été construites en couches verticales rigides : les données en bas, les systèmes d'engagement au milieu, les campagnes en haut. Chaque couche formait un silo indépendant. Pour faire communiquer ces silos, il fallait des pipelines, des connecteurs, des tâches de synchronisation et des équipes entières dont le seul travail consistait à déplacer les données d'un système à un autre. Comme le souligne le rapport de Brinker, l'intégration reste l'un des trois principaux défis pour la majorité des organisations marketing interrogées — non pas en 2015, mais fin 2025. Après trente ans de promesses de la part des éditeurs pour résoudre ce problème.

Le canevas composable est l'alternative architecturale : une fondation de données unifiée où chaque outil, de vos plateformes d'engagement client à vos agents AI, en passant par vos analyses, fonctionne sur le même substrat partagé, sans que les données n'aient jamais à être déplacées. Pas de middleware. Pas de latence. Pas de rituel de feuille de calcul le dimanche soir.

Bryce Peake, ancien VP of Marketing Decision Sciences chez Domino's, le dit clairement :

Nous essayons de modifier le même stack martech que nous utilisons depuis les débuts d'Internet. Les amis, nous allons devoir en construire un nouveau.

Les plateformes de données modernes comme Databricks fournissent une fondation ouverte et partagée sur laquelle les marketeurs, les agents et les applications peuvent collaborer. Et l'intérêt commercial est concret : « Rapidité : de quelques mois à quelques minutes. Aujourd'hui, l'ajout d'une nouvelle fonctionnalité marketing implique des projets d'intégration, des pipelines de données et des tickets IT. Avec le canevas composable, les nouveaux outils et agents AI se connectent instantanément à une fondation de données partagée. »

L'architecture : cinq anneaux, un seul centre de gravité

Le framework de Brinker organise le canevas composable en cinq anneaux concentriques, chacun ayant un rôle distinct.

• Data Core : la fondation unifiée des données clients, d'entreprise, de contenu, de code et de contrôle ; le centre de gravité de tout le reste
• Couche sémantique : définitions partagées qui rendent les données cohérentes et exploitables dans tous les systèmes qui les utilisent
• CaaS (Context-as-a-Service) : des plateformes comme les CDP qui regroupent les données et le contexte pertinents pour les applications et les agents qui en ont besoin
• Prise de décision : là où les moteurs AI optimisent les meilleures actions suivantes et résolvent les conflits lorsque plusieurs agents souhaitent cibler le même client simultanément
• Applications et agents : l'anneau le plus externe, là où les expériences client sont réellement délivrées

Le résultat de cette structure est une réduction spectaculaire de la complexité d'intégration. Dans l'ancien modèle point à point, dix systèmes pouvaient nécessiter jusqu'à 45 intégrations. Dans le modèle composable, chaque nouvelle fonctionnalité rejoint un écosystème partagé cohérent plutôt qu'un réseau de pipelines fragiles. Comme le souligne Rick Schultz, CMO de Databricks :

Tous les CMO essaient de résoudre les trois mêmes problèmes : l'efficacité, la productivité et le libre-service.

Le canevas composable est le moyen de réaliser ces trois objectifs simultanément.

Elizabeth Dobbs, AVP of Marketing Technology chez Databricks, décrit cet impact d'après sa propre expérience :

Une fois toutes nos données marketing centralisées dans le lakehouse, we revisited models that had never fully leveraged that richness... Le modèle reconstruit a converti à un taux 4 fois supérieur au précédent. À partir de là, nous avons rapidement répliqué la même approche pour lancer un modèle de scoring de comptes hautement prédictif en seulement quatre semaines.

Le dernier kilomètre : l'écart entre votre plateforme de données first-party et une campagne en direct

Brinker précise bien que ce rapport est une étoile polaire, et non un guide de mise en œuvre étape par étape, et c'est précisément ce qui fait sa valeur. Ce qu'il soulève délibérément, c'est la question pratique : comment une fondation de données unifiée devient-elle concrètement une campagne déclenchée ? Comment construire une couche de décision pour une équipe marketing qui ne maîtrise pas l'ingénierie des données ? Comment passer des cinq anneaux d'un schéma d'architecture à une expérience client qui se déclenche au bon moment ?

C'est dans ces questions que réside le véritable travail de mise en œuvre — ce que Stitch appelle le dernier kilomètre.

Voici à quoi ressemble concrètement l'écart entre le point de départ et la ligne d'arrivée de ce dernier kilomètre :

• Les agents autonomes qui n'ont nulle part où aller. Une responsable marketing d'une grande marque a récemment décrit une situation exaspérante : son équipe d'ingénierie venait de déployer sur Databricks un système d'agents autonomes capable de raisonner sur l'ensemble de leurs données clients en temps réel. Mais ce système n'avait aucune idée de la manière de déclencher une campagne. Pendant ce temps, les parcours de cycle de vie de son équipe marketing étaient toujours alimentés par un fichier batch mis à jour une fois par jour. Deux équipes talentueuses construisant l'avenir, sans aucune visibilité sur le travail de l'autre.
• Le score de propension sur lequel personne n'a agi. L'équipe de data science d'une marque de jeux vidéo a conçu un modèle d'attrition sophistiqué. Le score de propension s'est correctement déclenché, signalant les clients à risque. Il a atterri dans un tableau de bord que personne ne consultait. Le client n'a reçu aucun signe de la marque au moment précis où il en avait besoin... et est parti. Parce que le dernier kilomètre n'a jamais été construit.
• La feuille de calcul du dimanche soir. Un distributeur alimentaire national disposait d'un environnement Databricks rempli de données d'éligibilité aux offres et d'une plateforme d'engagement client conçue précisément pour ce type de personnalisation. L'écart entre les deux ? Quatre heures, chaque dimanche soir, et un CSV. Temps de préparation de la campagne : des heures. Les données étaient là. La capacité d'activation était là. Personne n'avait construit la passerelle. Une fois connectés, les flux d'éligibilité aux offres s'intègrent automatiquement dans les profils clients et les campagnes, se déclenchant en temps réel. Ces quatre heures sont devenues des minutes, chaque semaine, de façon permanente.

Comme le note Brinker,

Le stack martech ne repose pas sur les données. Il est les données.

Sur le plan de l'architecture, c'est vrai. Sur le plan opérationnel, pour la plupart des marques aujourd'hui, les données et la campagne vivent encore dans des mondes complètement différents.

Ce que nécessite le franchissement du dernier kilomètre

Les marques qui concrétisent le canevas composable n'y parviennent pas en achetant de meilleurs outils. Elles le font en construisant la passerelle — et cela exige une parfaite maîtrise simultanée de la plateforme de données et de la couche d'exécution marketing.

Une architecture de données marketing conçue pour l'activation. Il existe une différence significative entre une fondation de données conçue pour les analystes et une autre conçue pour les marketeurs. La première est optimisée pour les requêtes, les insights et la gouvernance. La seconde est optimisée pour déclencher une campagne au bon moment, enrichir un profil client en temps réel et fournir à un agent AI le contexte dont il a besoin pour prendre une décision. Pour y parvenir, il faut comprendre à la fois ce que Databricks peut faire et ce dont la couche d'engagement a réellement besoin.

Des analyses en libre-service pour les équipes marketing. Brinker décrit les interfaces en langage naturel comme une fonctionnalité clé du modèle composable — et pour cause. C'est tout à fait réalisable, mais la plupart des équipes marketing continuent de soumettre des tickets pour obtenir des données de base sur les performances de leurs campagnes.

L'opportunité : concevoir des environnements d'analyse adaptés aux cas d'usage réels du marketing, afin que les équipes non techniques puissent répondre à leurs propres questions sans SQL, sans file d'attente et sans dépendre de l'ingénierie des données. C'est l'une des implémentations les plus rentables et stratégiques actuellement disponibles.

Des agents AI qui s'exécutent nativement sur la couche de données. Les workflows marketing basés sur des agents les plus puissants ne sont pas des agents greffés au-dessus de la pile existante. Ce sont des agents qui résident au cœur de l'infrastructure de données et s'exécutent via la couche d'engagement — en extrayant des segments, en validant la qualité des données, en déclenchant des campagnes et en mesurant les résultats sans CSV, sans transfert manuel et sans latence. Kumar Ram, VP et Global Head of Marketing Data Sciences chez HP, formule ce principe stratégique avec précision :

Nous voulons posséder la structure fondamentale des données et de l'infrastructure. Si nous changeons d'agence, il nous suffit de basculer la couche d'activation au sommet. Le socle reste chez nous.

Des migrations qui tendent vers la composabilité, et non l'inverse. Pour les marques qui utilisent encore des plateformes marketing héritées et rigides, le passage à une architecture composable n'est pas un simple changement de plateforme ; c'est une décision d'architecture. Bien mené, ce choix positionne Databricks comme la couche de données sous-jacente à une stack d'engagement capable de s'adapter et d'évoluer au rythme des capacités AI. Elizabeth Dobbs résume ainsi cet objectif :

Nous avons conçu notre stack comme des blocs Lego modulaires pour que l'entreprise puisse avancer plus vite. À mesure que de nouvelles technologies et de nouveaux agents AI apparaissent, nous avons la flexibilité d'adopter les meilleurs outils avec un minimum d'effort.

Trois façons de commencer à concevoir votre canevas composable dès aujourd'hui

Brinker indique clairement qu'il s'agit d'un parcours architectural de 3 à 5 ans, et non d'un projet de remplacement radical. La bonne nouvelle : chaque étape apporte de la valeur en soi. Voici trois points de départ qui permettent d'obtenir rapidement l'impact le plus immédiat.

1. Intégrez vos données marketing dans Databricks — réellement.

La version la plus courante du « nous utilisons Databricks » est la suivante : l'équipe d'ingénierie des données utilise Databricks, et le marketing dispose d'un tableau de bord qui s'en inspire de temps en temps. Ce n'est pas un socle de données unifié. C'est une simple couche de reporting.

La première étape est la consolidation : faire converger les données de performance des campagnes, les signaux de comportement des clients, les données de fidélité et l'historique d'engagement dans le même lakehouse où résident déjà vos données transactionnelles et opérationnelles. Ce n'est pas un travail de plomberie — connecteurs, pipelines, contrôles de qualité des données — mais c'est le socle dont tout le reste dépend.

Le bénéfice immédiat est un reporting unifié : une version unique de la vérité que le marketing, les ventes et la finance partagent. Comme l'indique le rapport de Brinker :

Quand tout le monde regarde les mêmes chiffres, calculés de la même manière, les réunions ne servent plus à débattre des données, mais à décider des actions à mener.

Cela seul en vaut l'investissement. Mais cela met également fin à la « taxe sur les données » qui ralentit chaque campagne — les tickets, les exports, l'attente.

Par quoi commencer : Cartographiez l'emplacement actuel de vos données marketing par rapport à celui où elles devraient être. Identifiez les deux ou trois sources de données qui transformeraient le plus l'action du marketing si elles étaient unifiées — généralement l'historique des transactions, les événements comportementaux et les données d'offres ou de fidélité — et commencez par là.

2. Créez un cas d'usage d'analyse en libre-service pour votre équipe marketing

La plupart des équipes marketing ne sont qu'à une question d'une intuition clé qui changerait la donne pour leurs campagnes. Le problème n'est pas la donnée. C'est la friction entre le marketeur et la réponse.

Le canevas composable de Brinker place l'analyse en libre-service — en particulier les interfaces en langage naturel qui permettent aux utilisateurs non techniques d'interroger directement les données — au centre du modèle. Des outils comme Databricks AI/BI Genie rendent cela possible dès aujourd'hui : un marketeur saisit une question en langage naturel et obtient une réponse en quelques secondes, sans SQL, sans ticket, sans attendre trois jours.

La clé est de concevoir une solution pour un cas d'usage précis plutôt que de vouloir donner au marketing un accès immédiat à tout. Commencez par la question que votre équipe pose le plus souvent et qui prend le plus de temps à résoudre : la conversion des campagnes par segment, l'utilisation des offres par magasin, les signaux d'attrition par cohorte de clients. Créez l'espace Genie autour de cette décision. Laissez l'équipe l'utiliser. Regardez ce qui se passe lorsque la friction disparaît.

Le responsable de campagne d'une marque est passé d'un délai de quatre jours pour une question de performance basique à une réponse en quelques secondes — pour ensuite poser 12 autres questions au cours des 20 minutes suivantes, mettant en lumière une idée sur le timing des notifications push qui était restée cachée dans les données pendant un trimestre. La friction avait disparu, tout comme les limites de ses découvertes.

Par quoi commencer : Identifiez la question de données la plus fréquente que votre équipe marketing transmet à l'équipe data. Créez d'abord un environnement d'analyse gouverné et centré sur ce cas d'usage précis. Développez-le ensuite.

3. Choisissez un cas d'usage d'agent AI et lancez-le

La plus grande erreur des équipes marketing avec l'AI est de la traiter comme une stratégie plutôt que comme une pratique. Le canevas composable rend les agents AI véritablement opérationnels — mais seulement si vous commencez à les concevoir sur des données réelles, dans des workflows réels, pour des résultats concrets.

Les premiers cas d'usage d'agents les plus efficaces sont ciblés, fréquents et directement liés au résultat d'une campagne. Un agent QA qui valide chaque e-mail avant son envoi. Un agent de personnalisation qui extrait en temps réel les signaux de stock ou de fidélité et génère du contenu à la volée. Un agent d'attrition qui surveille les signaux comportementaux dans Databricks et déclenche une campagne dès qu'un client franchit un seuil de risque — et non trois jours plus tard lors de l'exécution d'un fichier batch.

Ce qui fait le succès de ces cas d'usage, c'est l'architecture : des agents qui résident dans la couche de données et s'exécutent via la couche d'engagement : pas d'exports CSV, pas de transferts manuels, pas de latence. La campagne n'est intelligente que dans la mesure où les données qui l'alimentent le sont — c'est précisément pourquoi le socle de données est prioritaire.

Comme le souligne Brinker dans le rapport,

Les workflows basés sur des agents les plus précieux franchissent naturellement les frontières des systèmes. Les agents sont avides de contexte : données pertinentes, instructions et outils adaptés à l'objectif spécifique qu'ils doivent atteindre.

Le canevas composable est ce qui leur donne ce contexte. L'agent n'est que l'élément qui agit en conséquence.

Par quoi commencer : Identifiez un processus manuel fréquent et coûteux dans vos opérations de campagne — QA, segmentation, génération de contenu, reporting de performance — et définissez le périmètre d'un seul agent pour l'automatiser. Mesurez le temps gagné et l'évolution des résultats. Utilisez cette preuve de concept pour justifier le cas d'usage suivant.

Pourquoi c'est le moment idéal pour se lancer

L'horizon de la vision à trois ou cinq ans de Brinker se rapproche plus rapidement que ne le prévoyaient la plupart des leaders du marketing.

Databricks vient de lancer CustomerLake, une CDP basée sur des agents nativement intégrée au Lakehouse. Les fonctionnalités clés d'une CDP, notamment la vue client à 360 degrés, la résolution d'identité, la création d'audiences, l'automatisation des campagnes, l'activation et la personnalisation, peuvent s'exécuter là où résident déjà les données clients, les modèles AI et la gouvernance — sans aucun middleware requis.

Les plateformes d'engagement client comme Braze se connectent directement à Databricks via l'ingestion native de données cloud (Cloud Data Ingestion) et OpenSharing. De nouvelles capacités de plateforme comme Lakebase signifient que les applications marketing full-stack — front-end, logique transactionnelle et exécution de campagnes — peuvent s'exécuter sur une seule plateforme avec un modèle de gouvernance unique, éliminant ainsi le besoin d'assembler quatre systèmes distincts.

Le modèle identifié par Brinker est déjà à l'œuvre : les plateformes à chaque extrémité deviennent plus intelligentes et plus directement connectées. La couche d'intégration intermédiaire s'amenuise de trimestre en trimestre.

Les marques qui s'y attellent aujourd'hui voient où va le marché. Elles conçoivent leur architecture de données dès maintenant pour ne pas avoir à courir après le train en marche lorsque tout le monde aura compris.

Le canevas composable décrit la destination. Le dernier kilomètre représente le travail à accomplir pour y parvenir.

Téléchargez le rapport de recherche de Scott Brinker : La nouvelle « stack » martech à l'ère de l'AI

Databricks et Stitch s'associent pour aider les services marketing à combler l'écart entre une infrastructure de données moderne et des résultats clients concrets. Si votre entreprise a investi dans Databricks sans pleinement l'exploiter pour le marketing, contactez Stitch →

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