Entrepôt de données (data warehouse)
Un entrepôt de données (data warehouse) est une base de données distincte dans laquelle les données de tous les systèmes d'une boutique (site, analytique, publicité, CRM, entrepôt, comptabilité) sont collectées régulièrement dans un format unique pour les rapports et l'analyse. On en a besoin lorsque des chiffres issus de systèmes différents doivent être combinés et que les tableurs ne suffisent plus.
En termes simples
Le site, le CRM, les comptes publicitaires et le logiciel de comptabilité ont chacun leurs données et leurs propres définitions. Un entrepôt les réunit en un seul endroit où « commande », « client » et « chiffre d'affaires » ont un seul sens. Il diffère de la base de données ordinaire de la boutique par sa finalité : la base sert au fonctionnement quotidien du site, l'entrepôt sert à l'analyse, de sorte que les rapports lourds ne ralentissent pas la boutique.
À quoi cela ressemble techniquement
Google décrit BigQuery comme un entrepôt de données cloud entièrement géré, avec des outils d'analyse : les données sont stockées en colonnes, un format optimisé pour les requêtes analytiques, et on travaille en SQL et en Python sans gérer d'infrastructure. On peut démarrer gratuitement, avec l'offre gratuite ou un bac à sable ; on paie l'analyse (les requêtes) et le stockage (documentation Google Cloud). Il existe d'autres entrepôts ; ce nom n'est ici qu'un exemple de ce que cela donne en pratique.
Lien avec GA4
GA4 peut exporter vers BigQuery des données d'événements brutes, non échantillonnées. L'export est gratuit dans le bac à sable, sinon des coûts sont possibles ; pour une propriété standard, la limite est de 1 million d'événements par jour ; l'export en continu coûte 0,05 $ de plus par gigaoctet (aide Google Analytics). Dans l'entrepôt, ces données peuvent être conservées plus longtemps et combinées avec les données de commandes et de publicité, ce que l'interface GA4 ne fait pas elle-même.
Quand un entrepôt est nécessaire
Les explications ci-dessous sont des critères pratiques, pas des exigences de la source.
- Pour un seul rapport, il faut combiner 3 à 4 sources à la main, et cela prend des heures chaque semaine.
- Les chiffres du CRM, de l'analytique et de la comptabilité ne concordent pas, et personne ne sait expliquer pourquoi.
- Il vous faut des données sur une période plus longue que celle que conserve l'analytique (voir GA4 : jusqu'à 14 mois pour les explorations).
- Il vous faut des segments combinant comportement et achats (RFM, cohortes).
- Vous voulez fournir à un assistant IA des données propres (IA pour l'analyse).
Quand ce n'est pas nécessaire
- La boutique est petite, il y a 1 à 2 sources, et des rapports prêts à l'emploi et un tableur suffisent.
- Personne n'entretiendra les flux de données : un entrepôt sans responsable devient vite une source de plus d'écarts.
- Le problème n'est pas le volume mais l'absence de définitions des indicateurs. Mettez-vous d'abord d'accord là-dessus.
Exemple (hypothétique)
Une boutique avec trois sources : GA4, CRM et comptes publicitaires. Chaque semaine, le responsable marketing passe deux heures à combiner à la main les dépenses et les commandes par campagne. Une fois l'entrepôt connecté, les données des campagnes sont collectées automatiquement et le rapport du tableau de bord se met à jour chaque jour. Le temps gagné et les erreurs en moins sont le principal bénéfice, et non une « meilleure analytique ».
Erreurs fréquentes
- Collecter toutes les données « au cas où », sans questions auxquelles elles répondent.
- Ne pas décrire ce que signifie chaque champ.
- Ignorer les données personnelles : l'accès à l'entrepôt doit être restreint.
- Ne pas surveiller le coût des requêtes : on paie l'analyse et le stockage.
FAQ
Un entrepôt de données est-il la même chose qu'une base de données ? Non. Une base de données sert au fonctionnement de la boutique ; un entrepôt collecte les données de nombreux systèmes pour l'analyse.
Une petite boutique a-t-elle besoin d'un entrepôt ? En général non, tant qu'il y a 1 à 2 sources et des rapports prêts à l'emploi.
Est-ce payant ? Il existe une offre gratuite ou un bac à sable (par exemple dans BigQuery), mais le stockage et les requêtes au-delà de la limite sont payants.
En quoi un entrepôt diffère-t-il d'une CDP ? Une CDP collecte les données clients pour le marketing, un entrepôt pour analyser n'importe quelles données : voir CDP.
Termes associés
- CDP
- GA4 pour une boutique en ligne
- Le tableau de bord du propriétaire de la boutique
- API et intégrations
- ERP
Sources
- Google Cloud, Introduction to BigQuery — docs.cloud.google.com/bigquery/docs/introduction
- Google Analytics Help, BigQuery Export — support.google.com/analytics/answer/9358801
- Google Analytics Help, Data retention — support.google.com/analytics/answer/7667196
À lire aussi
Enregistrements de sessions et cartes de chaleur
Un enregistrement de session est la relecture de la façon dont un visiteur a utilisé un site : où il a déplacé le curseur, où il a cliqué, comment il a fait défiler la page. Une carte de chaleur (heatmap) est la synthèse de ces actions pour de nombreux…
LTV (valeur vie client)
La LTV (lifetime value, ou CLV, CLTV) est le montant qu'un client rapporte à la boutique pendant toute la durée de la relation. Pour les décisions de gestion, il vaut mieux la calculer non pas en chiffre d'affaires mais en marge : combien d'argent la boutique…
Incrémentalité et modèles de mix média
L'incrémentalité est la part des ventes que la publicité a apportée en plus de ce que la boutique aurait obtenu sans elle. Si une personne aurait acheté chez vous de toute façon, la publicité n'a rien ajouté pour elle, même si le rapport l'enregistre comme…
CAC (coût d'acquisition client)
Le CAC (coût d'acquisition client) est la somme qu'une boutique dépense pour obtenir un nouveau client : l'ensemble des coûts de marketing et de vente d'une période, divisé par le nombre de clients ayant acheté pour la première fois pendant cette période.