Résolution d'identité (Identity Resolution) : unifier vos profils clients

L'Identity Resolution est le processus qui transforme des enregistrements épars issus de sources différentes (CRM, site web, point de vente, service client) en un profil client unique et cohérent, appelé Unified Individual. C'est la fonctionnalité la plus différenciante de Data Cloud par rapport à un simple entrepôt de données : sans elle, vous accumulez de la donnée, mais vous ne savez toujours pas que le "Jean Dupont" du site web et le "J. Dupont" du CRM sont la même personne.

Ruleset, Match Rules et Reconciliation Rules

Une configuration d'Identity Resolution se crée depuis Data Cloud > Identity Resolution > New Ruleset et repose sur deux types de règles complémentaires :

• Match Rules : déterminent quand deux enregistrements sont considérés comme représentant la même personne. Une règle combine un ou plusieurs critères (par exemple : email exact identique, OU téléphone exact identique ET nom de famille similaire).
• Reconciliation Rules : une fois les enregistrements matchés, déterminent quelle valeur retenir pour chaque attribut du profil unifié en cas de conflit (la plus récente, celle de la source la plus fiable, etc.).

Les Match Rules s'appuient sur des Matching Attributes prédéfinis (email, téléphone, nom + prénom, adresse) et des méthodes de comparaison configurables : exact match, fuzzy match (tolérance aux fautes de frappe) ou normalisation préalable (mise en minuscule, suppression des espaces).

Construire une première règle de matching

1. Depuis le Ruleset, ajoutez une Match Rule et sélectionnez les DMO Profile concernés (typiquement Individual, Contact Point Email, Contact Point Phone).
2. Définissez les Matching Rules : par exemple, "Email exact" comme première règle, puis "Téléphone exact + Nom de famille exact" comme règle secondaire pour capter les cas sans email commun.
3. Activez le Fuzzy Matching sur les champs texte sensibles aux fautes de frappe (nom, prénom) si votre volumétrie de données saisies manuellement le justifie.
4. Sauvegardez et lancez le ruleset : le premier passage traite l'historique complet, les passages suivants sont incrémentaux.

Le résultat est visible dans Data Cloud > Data Explorer sur le DMO Unified Individual, où chaque profil unifié référence les Individual sources qui le composent via la relation Individual Contact Point.

Trop de matching vs pas assez

Le réglage des règles de matching est un exercice d'équilibre permanent :

• Sur-matching (false positive) : deux personnes différentes sont fusionnées à tort, par exemple un email générique partagé (contact@entreprise.com) utilisé comme seul critère. Conséquence : un client reçoit des communications destinées à un autre, ce qui est un risque de confiance client sérieux.
• Sous-matching (false negative) : la même personne reste éclatée en plusieurs profils, ce qui fausse les Calculated Insights (valeur client sous-estimée) et dégrade la pertinence de la segmentation.

La bonne pratique consiste à démarrer avec des règles strictes (exact match sur des identifiants fiables comme l'email professionnel vérifié), mesurer le taux de fusion obtenu sur un échantillon représentatif, puis élargir progressivement en ajoutant du fuzzy matching ou des règles secondaires, en revalidant à chaque étape sur un échantillon métier.

Reconciliation : quelle donnée gagne ?

Pour chaque attribut du profil unifié (nom, email principal, adresse), une Reconciliation Rule détermine la source retenue en cas de conflit entre enregistrements fusionnés. Les stratégies disponibles incluent :

• Most Recently Updated : la valeur la plus récemment modifiée l'emporte.
• Source Priority : une hiérarchie de sources est définie (le CRM prime sur un formulaire web, par exemple).
• Most Frequent : la valeur la plus fréquemment observée parmi les enregistrements fusionnés.

Le choix dépend du champ : pour un email, "Most Recently Updated" est souvent pertinent (le client a mis à jour son adresse) ; pour un statut de segment client, "Source Priority" avec le CRM comme source de vérité est plus sûr.

Testez toujours vos règles de résolution d'identité sur un échantillon de données réelles avant de les appliquer à l'ensemble de la base. Un ruleset mal calibré appliqué en masse peut être très coûteux à corriger : défusionner des profils unifiés à tort demande un nouveau passage complet de traitement.

Suivi de la qualité de résolution

Le tableau de bord Identity Resolution Insights, accessible depuis le ruleset, donne des métriques clés : nombre de profils unifiés créés, taux moyen de sources fusionnées par profil, distribution du nombre de sources par Unified Individual. Un taux de fusion anormalement bas (proche de 1 source par profil) signale des règles trop strictes ; un taux anormalement élevé sur une volumétrie donnée mérite un audit manuel pour écarter un sur-matching. Ce suivi doit être revu périodiquement, en particulier après l'ajout d'une nouvelle source de données qui peut modifier l'équilibre global du ruleset.