Qu'est-ce que Salesforce Data Cloud ? Vue d'ensemble

Salesforce Data Cloud (anciennement Customer Data Platform, puis Genie) est la couche d'unification de données de l'écosystème Salesforce. Contrairement à une organisation Sales Cloud ou Service Cloud classique, Data Cloud n'est pas conçu pour saisir des données via des pages Lightning : c'est un hub qui ingère massivement des données provenant de sources internes et externes, les harmonise, les relie à une identité client unique, puis les rend exploitables par le reste de la plateforme (Flows, Agentforce, Marketing Cloud Next, Tableau). Pour un consultant ou un admin habitué au modèle objet classique de Salesforce, la bascule mentale est importante : on quitte le monde des objets custom et des relations de lookup pour entrer dans un monde de flux de données, de mapping et de résolution d'identité à grande échelle.

Un hub de données, pas une base de données de plus

Techniquement, Data Cloud repose sur un lakehouse : les données brutes sont stockées dans un format ouvert (Parquet, sur une infrastructure proche d'Amazon S3 orchestrée par Salesforce), séparé du moteur transactionnel de Sales/Service Cloud. Cela change deux choses concrètes pour vous :

• Les volumes gérés sont sans commune mesure avec un org CRM classique : on parle couramment de centaines de millions, voire de milliards de lignes.
• Les données ne sont pas modifiées ligne par ligne comme dans un objet Salesforce : elles arrivent par lots (batch) ou en streaming, et sont traitées par des jobs de mapping et de résolution d'identité qui tournent selon une fréquence définie.

Il ne faut donc pas aborder Data Cloud comme "encore un objet à créer", mais comme un pipeline de données qu'il faut concevoir de bout en bout : source, ingestion, modélisation, unification, exploitation.

Les briques fonctionnelles principales

Un projet Data Cloud s'articule toujours autour des mêmes briques, que vous retrouverez détaillées dans les autres articles de cette série :

• Data Streams : connecteurs qui ingèrent les données depuis une source (CRM, site web, fichier, entrepôt de données externe via Zero Copy).
• Data Model Objects (DMO) : le modèle sémantique standardisé (Individual, Contact Point Email, Party Identification, etc.) sur lequel toutes les données ingérées sont mappées.
• Identity Resolution : les règles qui fusionnent plusieurs enregistrements (un même client vu par le CRM, le site web et le point de vente) en un Unified Individual unique.
• Calculated Insights : des métriques business calculées à partir des données unifiées (valeur vie client, fréquence d'achat, score de risque).
• Segments : des audiences construites par filtrage sur les DMO et les Calculated Insights.
• Activations : l'envoi de ces segments vers des canaux (Marketing Cloud Next, publicité, Flow, autre système via API).

Où Data Cloud s'interface avec le reste de Salesforce

Data Cloud n'a de valeur que connecté au reste de l'écosystème. En pratique, vous le retrouverez dans trois usages principaux : l'enrichissement du CRM (via les Data Cloud - Related Lists ou les Calculated Insights affichés directement sur une fiche Contact), l'alimentation de l'IA générative (Agentforce et Prompt Builder consomment directement des données Data Cloud comme contexte de grounding), et l'activation marketing vers Marketing Cloud Next pour du ciblage précis. Un point souvent sous-estimé en avant-vente : Data Cloud est inclus dans de nombreuses éditions Enterprise/Unlimited avec un volume de crédits gratuit limité, mais tout usage sérieux nécessite l'achat de crédits de consommation dédiés (voir l'article dédié sur ce sujet).

Démarrer un premier projet, concrètement

Dans Setup > Data Cloud, la configuration initiale consiste à activer Data Cloud sur l'org, définir un Data Space par défaut, puis suivre cette séquence type :

1. Créer un ou plusieurs Data Streams pour ingérer vos premières sources (souvent le CRM Salesforce lui-même en premier, via le connecteur natif).
2. Vérifier le mapping automatique vers les DMO standards, et créer des DMO custom si votre modèle de données le nécessite.
3. Configurer une Identity Resolution Ruleset pour commencer à unifier les profils.
4. Créer un premier Calculated Insight simple pour valider que le pipeline fonctionne de bout en bout.
5. Construire un Segment de test et l'activer vers une destination pour clore la boucle.

Ne lancez jamais un projet Data Cloud en commençant par le mapping technique des sources. Cadrez d'abord le cas d'usage business (quelle activation, vers quel canal, avec quelle donnée) : c'est ce cas d'usage qui doit dicter quelles sources ingérer et quel niveau de granularité de modélisation choisir, pas l'inverse.

Pièges courants à anticiper

Sur nos premiers projets, les erreurs les plus fréquentes sont : sous-estimer le temps de traitement des jobs de streaming/batch (un mapping DMO modifié ne se répercute pas instantanément), négliger la qualité des données sources (l'Identity Resolution amplifie les problèmes de données sales plutôt que de les corriger), et vouloir tout ingérer dès le départ alors qu'un périmètre restreint mais bien maîtrisé délivre de la valeur plus vite. Data Cloud est un projet de plateforme de données avant d'être un projet Salesforce classique : traitez-le avec la rigueur méthodologique d'un projet data (gouvernance, qualité, itération), pas comme une simple configuration d'objets.