Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
Un datamart est un entrepôt de données spécialisé, orienté vers un domaine métier ou une fonction particulière, comme les ventes, le marketing ou la finance, qui stocke et organise les données utiles aux analyses de ce domaine.
L’Office québécois de la langue française privilégie en français les termes « minientrepôt de données » et « comptoir de données ». Le datamart reprend la logique d’un entrepôt de données, ou datawarehouse, à l’échelle d’un périmètre circonscrit. Il sélectionne les données de ce périmètre, les met en forme pour les questions de ses utilisateurs et les rend accessibles aux outils d’analyse. Sa taille n’est pas le critère : un datamart peut contenir de grands volumes, mais son champ reste limité à un métier.
Un datamart comprend en général des processus d’alimentation, qui extraient et transforment les données depuis les systèmes sources ou depuis l’entrepôt central, souvent au moyen d’un outil d’ETL. Il repose sur un modèle de données orienté vers l’analyse, fréquemment dimensionnel. Des tables de faits portent les mesures, comme le chiffre d’affaires ou le nombre de commandes. Des tables de dimensions décrivent le contexte : client, produit, canal, période. S’y ajoutent des règles de calcul documentées et des droits d’accès.
On distingue le datamart dépendant, alimenté par l’entrepôt de l’entreprise, du datamart indépendant, construit directement sur les sources. Le datamart se distingue du lac de données, qui conserve des données brutes de formats variés sans les structurer à l’avance. Il se distingue aussi de la base de données marketing, conçue d’abord pour gérer des contacts et préparer des actions. En marketing, un datamart réunit par exemple les ventes, les campagnes et les interactions clients pour suivre la performance et alimenter les tableaux de bord de l’équipe.
Le datamart répond à une attente légitime : obtenir vite des chiffres fiables sur son périmètre, sans attendre un projet d’entreprise. Notre lecture : sa valeur dépend moins de la technologie que de son rattachement. Un datamart alimenté par l’entrepôt central hérite de définitions partagées. Un datamart construit à part va plus vite au départ. Il fabrique pourtant souvent sa propre version du chiffre d’affaires ou du nombre de clients. Le comité de direction voit alors deux chiffres pour une même question, et les silos de données se reconstituent, cette fois dans les outils d’analyse.
Selon le Kimball Group, Ralph Kimball a fait connaître la modélisation dimensionnelle aux professionnels de l’informatique décisionnelle en 1996, avec son ouvrage « The Data Warehouse Toolkit ». Le Kimball Group résume la conception en quatre décisions : choisir le processus métier, déclarer le grain, identifier les dimensions, puis identifier les faits (Kimball Group, « Four-Step Dimensional Design Process »). Appliquée au marketing, la méthode donne la séquence suivante, complétée d’une cinquième étape que nous recommandons.
Un datamart se juge à l’usage, pas à sa mise en service. Nous proposons quatre repères, qui ne sont pas des normes.
Advalians cadre avec vous les objectifs marketing, les indicateurs de suivi et les tableaux de bord utiles, avant tout choix de données ou d’outil.
Le datawarehouse couvre l’ensemble de l’entreprise, le datamart un seul domaine. L’entrepôt intègre des sources multiples et conserve un historique commun, au service de toutes les directions. Le datamart extrait de cet ensemble, ou directement des sources, ce dont un métier a besoin, dans une forme adaptée à ses analyses.
Critère pratique : si plusieurs directions doivent partager les mêmes indicateurs, commencez par des définitions communes et par l’entrepôt. Si un seul service a besoin d’analyses rapides sur un périmètre stable, un datamart peut suffire, à condition d’être raccordable plus tard.
Partez des questions que l’équipe se pose chaque mois, par exemple le coût d’acquisition par canal ou le taux de réachat par segment. Déduisez-en les mesures, les axes d’analyse et le niveau de détail nécessaire.
Recensez ensuite les sources qui portent ces données et leurs identifiants communs. Faites valider la définition de chaque indicateur par le marketing, la finance et le commerce avant toute construction. Livrez d’abord un seul processus métier, par exemple les campagnes, puis élargissez le périmètre une fois l’usage installé.
Mesurez l’usage et la confiance, pas seulement la disponibilité technique. Comptez les utilisateurs actifs chaque mois, rapportés aux personnes visées, et les tableaux de bord qu’il alimente. Suivez le nombre de demandes d’extraction manuelle encore adressées à l’équipe données : elles doivent baisser.
Contrôlez chaque mois l’écart entre ses chiffres et ceux de la finance. Si l’usage reste faible trois mois après le lancement, interrogez les utilisateurs visés : le périmètre ou les définitions ne répondent sans doute pas à leurs questions. Ce délai est un repère que nous proposons, non une norme.
Le principal risque est de produire des chiffres qui contredisent ceux des autres services. Un datamart indépendant applique ses propres règles : définition du client actif, traitement des retours, date de prise en compte d’une vente. En comité, deux directions présentent alors deux résultats pour la même question, et la discussion porte sur les chiffres plutôt que sur les décisions.
Pour l’éviter, tenez un dictionnaire des indicateurs commun, rapprochez chaque mois les totaux avec la finance et prévoyez le raccordement du datamart à un entrepôt central.
Pas toujours. Avec peu de sources, des volumes modestes et un suivi mensuel, un outil de data visualisation connecté directement aux sources peut suffire, à condition de documenter les règles de calcul.
Le datamart devient utile dans quatre cas : les sources se multiplient, les mêmes calculs lourds se répètent, l’historique doit être conservé alors que les sources l’écrasent, ou plusieurs personnes doivent partager exactement les mêmes chiffres. Renoncez-y tant que personne ne peut en assurer la maintenance : un datamart non tenu à jour devient vite moins fiable que les sources.
Par Thomas Bizot – Président du cabinet Advalians
