Une vue Customer 360 fait référence à une vue agrégée des données d’un client. L’objectif est de consolider l’ensemble de toutes les interactions d’un client (données comportementales sur site , données de consommation produit, données transactionnelles, données retour client , contact, etc.) avec le SAV.
Cette vue permet d’avoir une visibilité à 360° sur la relation client avec la marque. C’est la promesse qu’offrent les Customers Data Platform à savoir de centraliser et d’unifier la donnée autour du client au sein d’une même base de données.
Les sources principales de données permettant de générer une vue Customer 360 sont les suivantes :
- Base de données CRM ( Données pouvant provenir des équipes SI ou d’un CMS tels que Prestashop , Shopify , Magento ou encore de système de caisse , ex Fastmag) ;
- Google Analytics 4 (Données brutes disponibles dans BigQuery) ;
- Données SAV (retours clients , appels, etc.) ;
- Données transactionnelles (Disponible au sein des équipes SI, ou d’un CMS : Prestashop, Shopify , Magento).Ces données agrégées vont permettre d’avoir une vision précises sur le comportement d’achat des clients
La première étape de la mise en place de cette vue consiste à identifier et à consolider toutes les données nécessaires au sein d’un Data Warehouse.
A partir du moment où les données sont disponibles dans le Data Warehouse, DBT est l’outil idéal pour créer un flux de transformation de la donnée permettant de créer cette vue Customer 360. La table à construire devrait avoir les attributs (non exhaustifs) suivants :
Dans le cas actuel, la pipeline consolidera les données Google Analytics 4 et les données Prestashop. Le customer id (identifiant client encrypté) servira de clé de liaison entre les deux bases de données. Les données GA4 permettront de consolider les données site centric du client , puis les données Prestashop permettront de consolider les transactionnelles, les données clients , les retours clients puis les données de stock produit.
Une fois le flux construit et mis en production via DBT , le processus produit et met à jour la table suivante :
Cette table permettra de mettre en place la première brique d’une CDP in house dans BigQuery. Mises à jour quotidiennement , les données disponibles dans cette table peuvent être activées via un outil de Reverse ETL comme Census ou Hightouch. Ces outils vont permettre d’alimenter et de tenir à jour directement dans Facebook, Adwords ou Criteo des audiences First Party.
