Data Cloud pour le e-commerce : cas d'usage concret

Le e-commerce est l'un des terrains les plus naturels pour Data Cloud : les sources de données y sont nombreuses (plateforme e-commerce, CRM, service client, point de vente physique le cas échéant), les volumes d'Engagement sont élevés (navigation, clics, paniers), et la valeur d'une vue client unifiée est directement mesurable en chiffre d'affaires. Cet article détaille un cas d'usage complet, de bout en bout, tel qu'on le rencontre sur un projet DevToSpace typique pour un client e-commerce de taille moyenne à grande.

Le contexte type

Un client e-commerce dispose généralement de plusieurs sources disjointes : une plateforme e-commerce (Salesforce Commerce Cloud ou un tiers via API), un CRM Sales/Service Cloud pour la gestion des comptes et réclamations, un outil d'emailing historique, et parfois un programme de fidélité séparé. Sans Data Cloud, ces sources restent cloisonnées : le service client ne voit pas l'historique de navigation récent, le marketing ne peut pas cibler finement selon le comportement d'achat réel, et la vue client reste fragmentée entre plusieurs systèmes.

Étape 1 : ingestion des sources clés

• Data Stream Commerce : ingestion des commandes, du panier, des vues produits via l'Ingestion API ou un connecteur natif si la plateforme est Salesforce Commerce Cloud.
• Data Stream CRM : Contact, Account, Case, pour la vue relation client et service.
• Data Stream Web (SDK) : événements de navigation en temps réel (vue produit, ajout panier, recherche) pour capter le comportement en direct.
• Data Stream fidélité : points, statut, historique de récompenses, souvent via fichier ou API selon la maturité du système source.

Chaque flux est catégorisé correctement (Profile pour Contact/Compte fidélité, Engagement pour commandes/navigation) puis mappé sur les DMO standards (Individual, Sales Order, Product, Engagement) complétés par des DMO custom pour les spécificités du programme de fidélité.

Étape 2 : unification des profils

L'Identity Resolution fusionne les enregistrements provenant du CRM, de la plateforme commerce (souvent des comptes invités créés à chaque commande sans compte) et du programme de fidélité, en s'appuyant principalement sur l'email comme clé de matching prioritaire, complété par le téléphone pour les cas sans email fiable. Ce travail seul résout un problème très concret du e-commerce : un même client ayant commandé plusieurs fois en tant qu'invité, sans jamais créer de compte, se retrouve enfin réuni sous un seul profil unifié plutôt que dispersé en autant de commandes isolées.

Étape 3 : métriques métier via Calculated Insights

Sur la base des profils unifiés, plusieurs Calculated Insights structurants sont généralement construits :

1. Valeur vie client (CLV) : somme des commandes sur 12 mois glissants.
2. Score RFM (Récence, Fréquence, Montant) pour segmenter la base selon la maturité d'achat.
3. Catégorie produit préférée, calculée par agrégation des lignes de commande.
4. Taux d'abandon de panier individuel sur une fenêtre récente.

Étape 4 : segmentation et activation

Ces métriques alimentent directement des segments actionnables :

• Relance panier abandonné : combinaison d'un Streaming Insight (panier actif non finalisé) et d'un Data Action déclenchant un journey Marketing Cloud Next dans l'heure suivant l'abandon.
• Segment VIP : CLV élevée et RFM favorable, activé vers une campagne de fidélisation dédiée et vers la publicité pour du lookalike (audiences similaires).
• Segment à risque de churn : absence d'achat depuis une durée définie malgré un historique actif, activé vers une offre de réactivation.
• Personnalisation on-site : la catégorie produit préférée, exposée via API à la plateforme e-commerce, alimente des recommandations personnalisées à chaque visite.

Sur un projet e-commerce, la donnée d'Engagement (navigation, clics) représente presque toujours le plus gros volume et le plus gros poste de coût. Cadrez dès le départ une politique de rétention claire (par exemple, 90 jours de détail événementiel puis agrégation) pour éviter une explosion de la consommation de stockage sans bénéfice métier proportionnel.

Résultat mesurable

Sur ce type de projet, les gains concrets observés portent généralement sur trois axes : une augmentation du taux de récupération de panier abandonné grâce à la réactivité du Data Action, une amélioration du ciblage publicitaire grâce à des segments basés sur la CLV réelle plutôt que sur des proxys approximatifs, et une réduction de la charge du service client grâce à la vue unifiée du parcours d'achat directement accessible sur la fiche Contact via les Calculated Insight Related Lists. Ces bénéfices ne sont atteignables qu'à condition d'avoir soigné les fondations : qualité du mapping DMO, calibrage de l'Identity Resolution et discipline de gouvernance des crédits abordés dans les articles précédents de cette série.