Customer Data Platform, Définition – Ce qu’elle est, ce qu’elle n’est pas

Avant d’aborder la définition de la Customer Data Platform, nous vous proposons un graphique. Issu de Google Trends, il montre l’évolution du volume de recherches dans Google pour la requête « Customer Data Platform ». On voit une très nette augmentation des volumes, surtout depuis 2017.

Nous avons donc affaire à une technologie relativement récente. Ceci explique pourquoi le concept de Customer Data Platform est encore méconnu ou mal-connu par certains professionnels du Marketing Client.

Gartner a donné une définition synthétique de la CDP, qui fait référence :

« Une Customer Data Platform est un logiciel packagé qui crée une base de données client unifiée et persistante, accessible aux autres systèmes ».

Cette définition comprend trois idées.

Un logiciel packagé…

Une Customer Data Platform est un logiciel « sur l’étagère », « clés en mains », « packagé », c’est-à-dire un système préconstruit qui est ensuite configuré pour répondre aux besoins métiers de l’entreprise. En choisissant une CDP, on ne part pas de rien. La CDP est constituée de briques fonctionnelles déjà pré-paramétrées. La conséquence est simple : Sans être « prête à l’emploi », une CDP peut être rapidement déployé au sein de l’organisation.

La mise en place et le paramétrage d’une CDP nécessitent des compétences techniques et donc une certaine implication de l’équipe IT de l’entreprise, accompagnée ou non par l’éditeur, un intégrateur, un cabinet de conseil en MarTech ou une ESN. Mais le niveau de compétences requis est bien moindre que celui nécessaire pour le déploiement d’une base marketing sur-mesure de type entrepôt de données / Data Warehouse. Le temps de mise en place est réduit, les coûts et les risques associés à l’installation sont plus faibles.

Les utilisateurs métiers de la CDP, comme les équipes marketing par exemple, ont davantage de contrôle sur le système. C’est l’un des éléments clés de la proposition de valeur de la CDP : Elle autonomise les équipes marketing vis-à-vis des équipes IT.

…Qui crée une base de données client unifiée et persistante…

Une CDP sert à unifier les données clients de l’entreprise. Elle remplit les fonctions d’un Référentiel Client Unique (RCU). Si les Data Management Platforms (DMP) centralisent des données anonymes autour de profils temporaires, les CDP centralisent des données clients first-party (et, dans une moindre mesure, third party) autour de profils clients persistants. Si certaines CDP sont d’anciennes DMP, une CDP se rapproche plus de la logique d’un CRM que de celle d’une DMP.

La CDP permet de construire une vision client à 360° en capturant les données de plusieurs systèmes qu’elle rattache et unifie autour d’identifiants personnels (clés de rapprochement). Les données ne sont donc pas seulement centralisées, elles sont unifiées, reliées entre elles, normalisées, dédupliquées, enrichies et mises à jour en continu, parfois en temps réel ou quasi temps-réel. Cette synchronisation permet de suivre l’évolution du comportement du client au fil du temps.

La CDP propose des connecteurs qui facilitent la connexion et le traitement (lecture/écriture) avec tous les systèmes en place. La collecte s’organise selon plusieurs étapes qui vont transformer les données sources en information compréhensible pour les utilisateurs (catalogue des données) :

• Connexions aux sources : La CDP peut se connecter de différentes manières aux sources de données : Url de connexion, serveur de connexion, user/password, token,…
• Lecture des métadonnées (Data profiling…)
• Identification sémantique : Les valeurs techniques sont transformées en libellé métier via des algorithmes de machine learning.
• Découverte des liens : La CDP dispose de la capacité à découvrir et créer des liens à l’intérieur des sources et entre les sources.

La CDP peut intégrer quasiment tous les types de données prospects et clients, online et offline, chaudes et froides. C’est l’une des forces de cette technologie. Les CDP gèrent très bien les données chaudes, en particulier les données de navigation et de comportement issues du digital (contrairement au CRM).

…Accessible aux autres systèmes

Les données clients « ingérées » par le système CDP et traitées peuvent ensuite être redistribuées aux différents outils de l’écosystème de l’entreprise sous forme de segments ou d’agrégats : CRM, Marketing Automation, Service Client, Business Intelligence / Reporting, système ecommerce…

C’est un point important. Contrairement à un logiciel CRM, la vocation d’une CDP n’est pas forcément d’être utilisée directement comme système d’activation. Certaines CDP servent à activer les données (gestion des campagnes, personnalisation web…), mais leur principale fonction est bien d’unifier et de traiter la donnée clients. La CDP est un laboratoire des données.

Un Data Warehouse est, littéralement, un entrepôt. Plus précisément : Un entrepôt de données. Sa fonction est de stocker toutes les données, de les centraliser dans un seul et même endroit. Le Data Warehouse (DWH) est essentiellement une base de données, un lieu de centralisation de la donnée. Son périmètre de ne se limite d’ailleurs pas aux données clients. Il peut être compartimenté, comme un entrepôt physique. Ses compartiments sont appelés « Data Marts ».

Deux précisions :

• Le Data Warehouse peut être construit « dans le cloud » (via des services comme Snowflake par exemple) ou sur des serveurs locaux. La flèche de l’histoire pointe clairement vers le cloud. Dans notre activité de consultant en Données Clients, nous recommandons généralement l’option Cloud.
• Le Data Warehouse stocke des données structurées, contrairement au Data Lake. Pour construire un RCU dans un DWH, il est préférable que vos données soient pour l’essentiel structurées.

Un exemple de Data Warehouse Cloud – Snowflake

Le Data Warehouse peut jouer le rôle de Référentiel Client Unique, mais sa fonction première est de centraliser les données plus que de les unifier. Pour transformer un Data Warehouse en RCU, il y a un travail technique et sur-mesure important à réaliser. Ce travail est indispensable pour passer de la centralisation à l’unification. Il consiste à mettre en place les règles métiers et à créer tous les flux grâce à un outil ETL (Extract – Load – Transform) qui alimentera le socle de données qu’est le DWH.

La mise en place en place de la tuyauterie et des règles métiers pour transformer/structurer la donnée entrant dans l’entrepôt est complexe, chronophage et coûteux. Une fois les données chargées dans l’entrepôt, il faut y appliquer des règles de dédoublonnage et de normalisation pour se conformer au modèle de donnée adopté.

On le voit, la Data Warehouse et la Customer Data Platform ont une définition bien différente. Le DWH est à la complexité ce que la CDP est à la simplicité. Avec une CDP, la connexion aux sources de données se fait facilement, grâce aux connecteurs natifs et depuis des interfaces intuitives. La CDP est plus facile à utiliser par les équipes métiers : marketing omnicanal, service client, force de ventes. Comme nous le disions dans la première partie, la Customer Data Platform est en conçue pour redonner la maîtrise des données à ceux qui les exploitent : les utilisateurs métiers.

La maintenance (corrective & améliorative) d’un Data Warehouse nécessite l’intervention des équipes IT, c’est-à-dire à des personnes qui ne sont pas les utilisateurs finaux des données. Les équipes métiers n’ont pas toujours les compétences nécessaires pour manipuler un DWH. Une nouvelle source de données à intégrer ? Une source de données à décommissionner ? De nouveaux indicateurs à calculer ? Des jeux de données à mettre à jour ? Toute évolution d’un DWH peut prendre la forme d’un parcours du combattant ou d’une partie de ping-pong lassante entre l’équipe métier et l’équipe IT.

Un Data Lake se distingue d’un Data Warehouse. Le Data Lake est un lac de données, il stocke les données à l’état pur, dans leur état liquide et non-transformé. Le Data Warehouse, nous l’avons vu, est un entrepôt. Comme tout entrepôt, il est constitué d’étagères et de rayons. Il est organisé. Il stocke de la donnée transformée, des bouteilles d’eau. L’image vaut ce qu’elle vaut mais, indépendamment des technologies utilisées, éclaire sur la différence entre les deux couches de stockage que sont le Data Lake et le DWH. Le socle de données que constitue le Data Lake est alimenté par une multitude de flux de données qui, pour filer la métaphore, sont comparables aux ruisseaux qui rejoignent le lac.

Le Data Lake accueille des données qui peuvent être structurées, non-structurées, semi-structurées ou brutes. C’est un « fourre-tout », un espace de stockage massif utilisé pour stocker de gros volumes de données diverses à moindre coût. Il peut gérer tout type de données. Il s’affranchit des contraintes de transformation et de structuration de la donnée. L’avantage, c’est qu’il n’y a pas à se prendre la tête sur la structuration et la transformation des données. Elles entrent dans le lac de données telles quelles, comme elles sont. L’inconvénient, c’est que la donnée du Data Lake n’est pas prête à l’emploi. Elle n’est pas utilisable. Elle n’est pas normalisée. Elle n’est pas consolidée. Elle n’est pas nettoyée.

La vocation d’un Data Lake n’est pas de permettre l’analyse de données à des fins d’activation. C’est plutôt un espace utilisé par les Data Scientists et les Data Engineers, dans lequel ils vont venir puiser des sets de données pour éprouver leurs modèles : Machine Learning, Big Data, IA…

Dans la pratique, le Data Lake est bien souvent utilisé comme l’antichambre du DataWarehouse. Toutes les données, de quelque nature que ce soit, arrivent dans le DataLake. Celles qui ont du sens pour la BI (Business Analysts) ou dans un but d’activation précis sont extraites du Data Lake via l’ETL et normalisées pour être traitées dans le DWH.

Un Data Lake est mis en place et maintenu par l’IT, tout comme le DWH. Manipuler un Data Lake peut s’avérer (très) complexe pour les équipes métiers. Une question : Les utilisateurs finaux de la vue client unifiée ont-ils besoin d’être confrontés à toute la complexité des données qu’ils utilisent, au chaos de données que constitue le Data Lake ? Nous pensons que non. En définitive, les limites du Data Lake sont les mêmes que celles du Data Warehouse… Son utilisation requiert des compétences techniques poussées. La mise à disposition des données du lac aux équipes métiers est un challenge. La Customer Data Platform se distingue au contraire par sa simplicité d’utilisation et la convivialité de ses interfaces.

Une Data Management Platform ou DMP est surtout conçue pour gérer de la donnée online et anonyme à des fins de (re)ciblage publicitaire sur les canaux online. Elle est historiquement à destination des services de l’organisation dédiés à l’acquisition et utilisée par les publicitaires pour optimiser l’achat média et le ciblage des campagnes. La DMP sert à construire des segments d’audience.

Sa vocation n’est pas de traiter de la donnée offline et identifiée. En cela, la DMP se différencie très nettement de la CDP qui, de son côté, gère les données online ET offline attribuables à des contacts (prospects ou clients) identifiés. Le carburant principal de la CDP, ce sont les données faisant partie du patrimoine de l’entreprise : les données first party, là où la DMP s’alimente surtout de données provenant de partenaires tiers (third party). Si la DMP sert principalement pour les campagnes publicitaires, la CDP permet de gérer toutes les formes d’activation marketing.

Il faut malgré tout préciser que certaines DMP, que l’on peut qualifier de « Customer-Centric », permettent d’importer et d’anonymiser les données clients provenant des systèmes CRM au sens large. La frontière entre les familles d’outils n’est donc pas aussi nette que l’on pourrait le penser. Il n’empêche que par sa vocation première et le type de données qu’elle gère, la DMP n’est pas une technologie adaptée pour construire un Référentiel Client Unique.

Source : Treasure Data

La DMP pose d’ailleurs toute une série de questions :

• Est-ce réellement possible d’un point de vue fonctionnel et juridique de traiter des données à caractère personnel dans une DMP ?
• Quelle sera la portée de la fin (prévisible) des cookies tiers ?
• Une DMP peut-elle efficacement permettre des activations multi-canales ?
• Le modèle économique de la DMP est-il adapté à l’usage dans le cas d’une stratégie d’unification de la donnée clients ?

On perçoit donc toute la distance qui sépare la DMP de la CDP et toutes les limites des Data Management Platforms.

Nous espérons avoir répondu aux questions que vous vous posiez sur la technologie Customer Data Platform et sa définition. Pour aller plus loin, nous vous invitons à utiliser le menu de gauche. Il vous donnera accès à l’ensemble des pages produites sur ce thème des CDP.