Quasiment tous les dirigeants (près de 99% selon une étude de la Harvard Business Review) reconnaissent l’importance de disposer d’une organisation data-driven. Mais dans les faits, beaucoup d’entreprises ont un mal fou à exploiter tout le gisement de données qu’elles ont sous leurs pieds. Pour plusieurs raisons dont la principale est la dispersion des données. Les données sont éparpillées dans le stack marketing, les bases s’empilent sans se connecter entre elles, etc. Bref, vous connaissez surement ce problème.
A tout problème sa solution, comme on dit. En l’occurrence, la solution porte un nom que vous avez peut-être déjà rencontré : le « Data Warehouse », ou « entrepôt de données » en français. Qu’est-ce qu’un Data Warehouse au juste ? A quoi ça sert ? Quels bénéfices ? Quels usages possibles ? A partir de quel moment faut-il sérieusement envisager l’idée de mettre un Data Warehouse en place dans votre organisation ? On répond à toutes vos questions !
Sommaire
En deux mots, qu’est-ce qu’un Data Warehouse et à quoi ça sert ?
Un Data Warehouse est une base de données qui stocke toutes les données dont dispose l’entreprise. D’où le concept d' »entrepôt« . L’objectif est de centraliser en un même lieu les données en provenance de toutes les sources : CRM, service après-vente, outils de webanalyse, logiciels de comptabilité, ERP, etc. Contrairement aux Data Lakes, les Data Warehouses ne sont pas des espaces fourre-tout. Les données qui sont chargées dans l’entrepôt de données sont un minimum formatées, structurées, transformées en amont. Il y a une certaine organisation. Pour prendre une métaphore parlante, disons qu’un Data Lake stocke de l’eau alors qu’un Data Warehouses stocke des bouteilles d’eau.
Pour en savoir plus sur la différence entre Data Lake et Data Warehouse, découvrez notre article « Le Data Lake, entre océan et marais – Définitions & enjeux« .
Stocker les données de l’entreprise dans un Data Warehouse comporte plusieurs avantages. En particulier :
- Une accès aux données facilité.
- Une vue consolidée des données de l’entreprise.
- Des requêtes moins coûteuses à exécuter. Un Data Warehouse permet d’exécuter des requêtes à moindre coût.
- Un reporting plus rapide. Typiquement, avec un Data Warehouse, vous n’avez plus besoin d’exporter les csv de 4 ou 5 logiciels pour mettre à jour les données de votre reporting.
Contactez Cartelis
pour enfin capitaliser sur vos données clients.
Cartelis vous accompagne dans le cadrage et le déploiement d'une stratégie data et CRM vraiment impactante.
Analyse client, Choix des outils, Pilotage projet et Accompagnement opérationnel.
Prendre contact avec Cartelis4 cas d’usage des Data Warehouses
Pour bien comprendre l’intérêt de disposer d’un Data Warehouse, le mieux est de présenter quelques cas d’usage concret de cette technologie.
#1 Calculer la customer lifetime value par canal
Supposons que vous êtes en charge de la croissance d’une startup qui commence tout juste à observer un phénomène de traction. A partir de tableaux Excel faits plus ou moins à l’arrache, vous en venez à la conclusion qu’un client vaudra $28 au bout de la première année. A partir de cette estimation, vous vous êtes fixés un objectif : atteindre le seuil de rentabilité dans un an.
Après un mois de tests et de peaufinages, vous avez dégagé 4 canaux d’acquisition « viables », c’est-à-dire avec un coût d’acquisition client inférieur ou égal à $28. Voici vos estimations :
Un an plus tard, vous tracez la courbe des dépenses réalisées par chaque client en moyenne durant la première année. Vous constatez que vous ne vous étiez pas trompé. Vos clients vous ont fait gagner en moyenne $28.
A priori, tout va bien :
- AdWords – le canal qui vous coûte le plus cher – est rentable et peut faire assez facilement l’objet d’optimisation.
- Facebook et Twitter ont tous les deux un CAC inférieur de $2 au revenu généré par client au cours de l’année.
- La participation à l’événement SXSW Gimmicks est le canal qui va permis d’acquérir des clients au meilleur coût. C’est clairement un levier d’acquisition à développer.
Découvrez comment s’organiser pour optimiser la Lifetime Value, ou valeur vie client.
Donc, tout semble aller pour le mieux dans le meilleur des mondes. La plupart des entreprises s’arrêtent là et ne poursuivent pas plus loin l’analyse…en général parce qu’elles n’en ont pas vraiment la possibilité. Avec un Data Warehouse, il est possible d’aller plus loin et de produire des analyses plus granulaires. Vous pouvez par exemple construire une courbe de la lifetime value par canal et obtenir quelque chose comme ça :
Cette courbe raconte une toute autre histoire que la précédente :
- La lifetime value des clients acquis grâce à Facebook est de $38, avec un CAC de $26. Clairement, votre entreprise a intérêt à miser à fond sur ce canal.
- Les clients Adwords ont une LTV très légèrement supérieure à leur coût d’acquisition. C’est plutôt bon signe. Ce qui l’est encore plus, c’est l’évolution de la courbe au cours de l’année. La progression, qui est stable et continue, est très encourageante et invite à poursuivre les efforts sur ce canal. Vous pourriez même augmenter les budgets AdWords.
- A l’inverse, la LTV des clients acquis via Twitter est seulement de $24, soit $4 en-dessous du CAC. Twitter n’est pas un canal rentable.
- Les clients acquis via l’événement SXSW ont la LTV la plus faible : $20. Même si le CAC n’est que de $22, ce canal d’acquisition n’est pas rentable.
En agrégeant tous les canaux, tout semblait aller pour le mieux. Lorsque l’on décompose la LFV par canal, on se rend compte que les performances varient considérablement d’un canal à l’autre. Si vous ne connectez pas entre elles les données pré-transactionnelles (canal d’acquisition) et les dépenses post-achat (sommes dépensées par les clients), vous ne vous rendrez jamais compte que deux des quatre canaux ne sont pas rentables. La lifetime values varie souvent beaucoup d’un canal à l’autre. Avoir un Data Warehouse permet de produire une analyse granulaire de la LTV, canal par canal, et d’accéder à des insights inaccessibles autrement.
Découvrez notre guide complet sur les architectures possibles pour votre Data Warehouse (approches traditionnelle VS Cloud).
#2 Faire de l’analyse prédictive
Il existe aujourd’hui des outils, comme par exemple Data Robot, qui permettent de construire facilement des algorithmes de machine learning, sans avoir besoin des compétences d’un Data Scientist :
Pour créer un modèle, il vous suffit de charger sur la plateforme un tableau au format csv contenant d’une part la variable que vous voulez prédire et d’autre part les variables qui selon vous sont corrélées à cette variable. Mettions que vous cherchiez à prédire si la personne annulera son abonnement au cours du prochain mois. Pour construire le modèle de prédiction, on peut penser à tout un tas de données : taille du panier, prix, note moyenne, score NPS, adresse, source du lead et plein d’autres métriques d’activité. Une fois que vous avez chargé toutes ces données dans Data Robot, via import de tableaux csv, la solution produit toute seule plusieurs modèles de machine learning, en vous recommandant celui qu’elle estime le plus pertinent. En se basant sur l’analyse de vos données, Data Robot vous dit également quelle variable a le plus de poids sur la variable à prédire. C’est un outil vraiment très intéressant. Les retours que nous avons pu avoir sont globalement très positifs. Bien utilisé, Data Robot permet de créer des modèles prédictifs qui tiennent la route.
Ce qu’il y a d’intéressant aussi, c’est que finalement on n’a pas besoin d’énormes volumes de données pour faire de l’analyse prédictive. C’est quelque chose dont on prend conscience en utilisant ce type de solutions. Et puis, surtout, pour en revenir à notre sujet, on se rend compte qu’il est impossible de savoir à l’avance quelles sont les données qui sont le plus corrélées à la variable à prédire. Il peut s’agir des données de votre CRM, des données de votre support client, de celles extraites de vos outils de marketing automation, des données d’engagement de votre application mobile, etc. D’où l’intérêt de disposer d’un Data Warehouse. Disposer d’un entrepôt de données permet, dans ce cas précis, de charger très facilement et très rapidement toutes les données dans Data Robot. Vous n’omettez aucune variable pouvant jouer un rôle dans la construction du modèle prédictif.
Découvrez en quoi consistent les différences entre Customer Data Platform (CDP) et Data Management Platform (DMP).
#3 Faire de l’analyse de cohortes
Dans l’analyse de la Lifetime Value, une erreur commune consiste à amalgamer tous les clients, sans prendre en compte leur ancienneté. Or, ce que l’on observe presque toujours, c’est que le comportement des clients varie sensiblement en fonction de leur ancienneté. Ne pas prendre en compte cette réalité peut contribuer à fausser les analyses. Par exemple, les nouveaux clients ont tendance à contacter plus souvent le support client. Ils ont un besoin d’accompagnement plus fort, ce qui se comprend assez facilement. Ils génèrent donc plus de coûts pour le support. Pour intégrer cet état de fait, il est tout à fait pertinent de recourir à la méthode des cohortes. Celle-ci permet de distinguer le comportement des clients en fonction de leur ancienneté et de suivre l’évolution des variables qui en découle. Pour réaliser un tableau comme celui ci-dessous, il vous « suffit » d’exploiter les données transactionnelles (premier achat) et les données du support.
Cette analyse permet de prendre conscience d’une chose : plus un client « churne » rapidement, plus c’est problématique ! La courbe de LTV ne sera pas la même suivant que vous utilisiez la méthode des cohortes ou que vous mettiez tous les clients dans le même sac.
Parfois, les deux courbes ne sont pas significativement différentes. C’est le cas dans l’exemple ci-dessus. Mais il faut savoir que c’est loin d’être toujours le cas. Pour certaines analyses, la méthode des cohortes est clairement indispensable. Or, pour l’utiliser à bien, vous avez tout intérêt à disposer d’un Data Warehouse. Sans entrepôt de données, c’est très compliqué…
#4 Une alternative aux reporting Salesforce…
Salesforce est un CRM de référence, leader du marché. La richesse de ses fonctionnalités n’est plus à prouver. Pourtant, certaines fonctionnalités sont absentes ou alors très limitées. C’est le cas des fonctions de reporting. Les reportings Salesforce laissent clairement à désirer. Le reporting, sur Salesforce, c’est compliqué et le résultat n’est pas vraiment au rendez-vous. Il y a des choses même basiques qui ne sont pas possibles. Par exemple, il n’y a pas de fonction permettant de visualiser l’entonnoir de conversion (du lead à la vente). En utilisant une technologie de stockage des données comme Redshift, les choses deviennent tout de suite beaucoup beaucoup plus simples !
Le sujet des CDP vous intéresse ?
A quel moment investir dans une solution de Data Warehouse ?
Créer et assurer la maintenance d’un Data Warehouse est un investissement. Il est donc tout à fait légitime de se poser la question formulée dans le titre de ce paragraphe. La réponse peut être exprimée très simplement : vous devez investir dans un Data Warehouse dès lors que vous pensez que cela peut vous apporter de vrais insights. Si vous êtes une startup commercialisant un logiciel à destination des grosses entreprises, vous pouvez générer 10 millions d’euros de CA par an avec quelques dizaines de clients. Si vous êtes dans le B2C, vous aurez besoin de plusieurs milliers de clients. Dans un cas, le Data Warehouse ne se justifie pas vraiment. Dans le second, si. Ce n’est donc pas la taille de l’entreprise (exprimée en CA) qui importe.
Deuxième élément de réponse : tant que les solutions clés-en-mains que vous utilisez continuent de remplir le job, tant que vous ne vous sentez pas limité avec elles, la mise en place d’un Data Warehouse peut attendre. Si vous gérez un site web, vous pouvez faire un bon bout de chemin avec une solution comme Google Analytics. A l’inverse, si vous gérez une marketplace, il vous faudra assez tôt envisager la mise en place d’un Data Warehouse.
Vous devez aussi vous dire que la mise en place d’un Data Warehouse ne se fait pas du jour au lendemain. C’est un projet qui se développe par boucles itératives. Même à supposer que vous ne commettiez aucunes erreurs lors de l’implémentation, vos modes de collecte des données peuvent évoluer avec le temps, pour se plier plus adéquatement à vos besoins et cas d’usage des données. Sans compter l’évolution de vos sources de données, qui implique des mises à jour du système Data Warehouse. On ne construit pas le Data Warehouse parfait du premier coup.
Une fois que vous avez pris la décision de construire un Data Warehouse, se pose la question des outils permettant de le faire. Heureusement, il existe maintenant tout un tas d’outils clés-en-mains permettant de mettre en place son Data Warehouse assez facilement et sans un besoin énorme de ressources techniques.
Vous cherchez une solution pour construire un Data Warehouse ? Découvrez notre comparaison des technologies envisageables pour votre Data Warehouse Cloud.
Laisser un commentaire