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 data lake, ou lac de données, est une infrastructure de stockage qui recueille de grands volumes de données brutes, structurées ou non, dans leur format d’origine, sans leur imposer de modèle avant leur exploitation.
Le terme français officiel est « lac de données ». La liste Vocabulaire de l’informatique, reproduite au Bulletin officiel du 20 avril 2023, le définit comme une infrastructure logicielle qui recueille des mégadonnées dans leur format d’origine, souvent en continu. Cette infrastructure les associe automatiquement à des métadonnées pour préparer leur exploitation. La structure des données n’est donc pas fixée au chargement. Elle est définie au moment de l’analyse, selon la question posée.
Un lac de données réunit plusieurs briques. Des connecteurs d’ingestion l’alimentent par lots ou en flux continu. Un espace de stockage conserve les fichiers à faible coût unitaire. Un catalogue de métadonnées décrit l’origine, la date et le contenu de chaque jeu de données. S’y ajoutent des règles d’accès et des outils de traitement et d’analyse. En marketing, il peut accueillir les journaux de navigation, les données de caisse, les extraits du CRM, les échanges du service client ou des contenus publiés sur les réseaux sociaux.
Le data lake se distingue du datawarehouse, ou entrepôt de données, qui collecte et structure les données selon un modèle défini à l’avance pour les outils d’aide à la décision. Il se distingue aussi du datamart, sous-ensemble de l’entrepôt consacré à un métier. Lorsqu’un lac n’est plus documenté ni administré, ses données deviennent inexploitables : la même liste officielle nomme cette dérive « marécage de données ». Le lac de données sert surtout aux analystes, aux data scientists et aux projets de machine learning, qui ont besoin de données détaillées et variées.
Le data lake répond d’abord à une question technique : conserver des données hétérogènes sans savoir encore comment on les exploitera. Pour une direction marketing, son intérêt tient à deux usages. Le premier est l’analyse fine des parcours, qui exige des données détaillées qu’un entrepôt agrège souvent. Le second est l’entraînement de modèles, par exemple de scoring prédictif ou de prévision du churn. Si vos besoins se limitent à des tableaux de bord et à des segments, un entrepôt bien tenu suffit le plus souvent. Nous recommandons de partir des cas d’usage, puis de choisir l’architecture, et non l’inverse.
La logique du lac, tout conserver au cas où, se heurte au droit dès que des données personnelles y entrent. L’article 5 du RGPD exige des données collectées pour des finalités déterminées, explicites et légitimes. Elles doivent être limitées à ce qui est nécessaire et ne pas être conservées sous une forme identifiante au-delà de la durée utile. Un lac qui accumule des historiques clients sans finalité ni durée de conservation se met donc en défaut. Nous recommandons de documenter la finalité de chaque source personnelle et d’automatiser les purges à échéance. Les analyses qui n’ont pas besoin d’identifier les personnes peuvent porter sur des données soumises à pseudonymisation.
Le volume stocké ne dit rien de la valeur produite. Nous proposons de suivre quatre repères.
Une part croissante de données jamais lues annonce le marécage. Ces repères sont des indicateurs de pilotage, non des normes : fixez une valeur de départ, puis suivez leur évolution.
Avant tout investissement, Advalians évalue vos dispositifs de données et vos pratiques d’analyse, puis vous restitue des priorités argumentées.
Le data lake stocke les données brutes dans leur format d’origine et les structure au moment de l’analyse. Le datawarehouse les structure avant de les charger, selon un modèle conçu pour le pilotage. Le premier sert l’exploration, l’apprentissage automatique et les données peu structurées. Le second sert les indicateurs partagés, les tableaux de bord et les rapports réguliers, avec des chiffres stables et définis.
Critère de choix : si vos questions sont connues et récurrentes, l’entrepôt suffit. Si vous devez conserver des données variées pour des analyses encore non définies, le lac se justifie, à condition d’être administré.
Commencez par un cas d’usage précis et mesurable, pas par le choix d’une technologie. Par exemple : relier les données de navigation et les achats pour mieux anticiper les départs de clients.
Listez ensuite les sources nécessaires à ce seul cas, avec leur propriétaire, leur fréquence de mise à jour et leur statut au regard du RGPD. Fixez dès le départ les règles du catalogue et les droits d’accès. N’étendez le périmètre que lorsque ce premier cas est en production et que ses utilisateurs s’en servent réellement.
Mesurez la part des jeux de données interrogés au moins une fois sur une période donnée, par exemple un trimestre. Complétez par la part des jeux décrits dans le catalogue, le délai de mise à disposition d’une nouvelle source et le nombre de cas d’usage en production.
Un lac dont la majorité des données n’est jamais lue coûte du stockage et du risque sans produire de valeur. Ces repères sont des indicateurs de pilotage que nous proposons, non des normes. Fixez une valeur de départ, puis suivez la tendance.
Le principal risque est de conserver des données personnelles sans finalité définie ni durée de conservation, en contradiction avec l’article 5 du RGPD. S’y ajoutent les accès trop larges, qui exposent à une fuite, et les réutilisations incompatibles avec la finalité annoncée aux clients.
Pour les limiter, recensez les sources personnelles, programmez une purge automatique à l’échéance, séparez les zones qui contiennent des données identifiantes et pseudonymisez les jeux destinés à l’analyse. Associez le délégué à la protection des données dès la conception, et non au moment de la mise en production.
À notre avis, le plus souvent non. Une PME dont les données viennent de quelques outils, comme le site, le CRM, la facturation et l’outil d’envoi de courriels, est mieux servie par un entrepôt de données ou par les rapports de ses outils existants.
Le lac se justifie lorsque trois conditions sont réunies : des volumes ou des formats que l’entrepôt gère mal, des projets d’analyse avancée ou d’apprentissage automatique, et des compétences pour l’administrer dans la durée. Sans cette dernière condition, renoncez : un lac non administré devient vite inexploitable.
Par Thomas Bizot – Président du cabinet Advalians
