Data Unification

  • Concept
  • Intermédiaire
  • Transversal
  • Toujours utilisé

En bref

La Data Unification (unification des données) consiste à fusionner les informations dispersées sur un même client en un seul profil cohérent et à jour.

Définition complète

La Data Unification (unification des données) désigne l’étape qui consiste à fusionner en un seul profil cohérent toutes les données concernant une même personne, une fois qu’elles ont été rassemblées depuis différentes sources. C’est une notion très proche de l’intégration des données clients, mais elle insiste sur le résultat final : un profil unique, sans doublon ni contradiction, plutôt que sur le simple fait de collecter les données.

Par exemple, un même client peut apparaître dans le système sous trois formes différentes selon le canal utilisé pour l’enregistrer. La Data Unification consiste à reconnaître qu’il s’agit de la même personne et à créer un seul profil regroupant l’ensemble de son historique. Attention : une unification mal réalisée peut au contraire fusionner par erreur deux personnes différentes qui partagent des informations proches, comme un nom de famille commun dans un foyer.

À quoi ça sert

La Data Unification sert à donner à l’entreprise une vision fiable et complète de chaque client, condition indispensable pour personnaliser une communication, calculer une valeur client réelle, ou proposer une expérience cohérente entre les canaux.

Elle évite les situations gênantes où un même client reçoit plusieurs communications différentes, parfois contradictoires, parce que l’entreprise ne sait pas qu’il s’agit de la même personne derrière plusieurs profils.

Elle constitue enfin un fondement technique pour des projets plus avancés, comme la segmentation fine ou l’orchestration des parcours clients, qui ne peuvent fonctionner correctement que si les données sous-jacentes sont déjà unifiées.

Cas d'usage typiques

– Créer un profil client unique : fusionner les données issues de la boutique, du site web et de l’application mobile.
– Corriger un doublon : détecter que deux fiches légèrement différentes concernent la même personne et les regrouper.
– Calculer une valeur client fiable : additionner correctement tous les achats d’un client dispersés sur plusieurs canaux.
– Éviter les communications contradictoires : s’assurer qu’un client ne reçoit pas deux offres différentes pour le même produit.
– Préparer une analyse de fidélité : mesurer la fréquence d’achat réelle d’un client une fois ses données unifiées.
– Faciliter une demande réglementaire : retrouver l’ensemble des données d’une personne pour répondre à une demande d’accès ou de suppression.

Ce que tu sauras faire

Savoir reconnaître les signes qu'un même client existe sous plusieurs profils différents et comprendre pourquoi les regrouper change l'analyse que l'on peut en faire.

Mises en situation

Situation 1 : une salle de sport et ses trois profils pour un même adhérent

Contexte : Un adhérent s’est inscrit en ligne, a payé un abonnement additionnel à l’accueil, et a participé à un cours via une application partenaire, créant trois profils distincts.

Application : La salle de sport met en place un processus d’unification pour regrouper ces trois profils autour d’un identifiant commun, comme le numéro de téléphone.

Résultat attendu : La salle de sport peut désormais voir la fréquentation réelle de cet adhérent et lui proposer une offre adaptée à son profil complet, plutôt que trois offres partielles et redondantes.

Situation 2 : une boutique en ligne et la fusion des paniers

Contexte : Un client crée un compte avec une adresse e-mail personnelle pour un premier achat, puis avec son adresse professionnelle pour un second achat, sans le faire exprès.

Application : Le service client, après vérification du nom et de l’adresse de livraison identiques, fusionne manuellement les deux comptes en un seul profil.

Résultat attendu : Le client retrouve l’ensemble de son historique et de ses avantages fidélité dans un seul compte, au lieu d’avoir deux comptes avec des avantages dispersés.

Situation 3 : une entreprise qui unifie par erreur deux personnes différentes

Contexte : Un système automatique fusionne deux profils simplement parce qu’ils partagent le même nom de famille et la même adresse postale, sans vérifier d’autres critères.

Application : En réalité, il s’agissait de deux membres d’une même famille, habitant à la même adresse mais ayant des habitudes d’achat très différentes.

Résultat attendu : Le profil fusionné devient incohérent, avec un mélange de deux styles d’achat très différents, ce qui rend les recommandations et les communications inadaptées aux deux personnes réelles.

Application guidée : choisir les bons critères de fusion

Contexte : Une entreprise hésite entre fusionner automatiquement deux profils dès qu’ils partagent la même adresse e-mail, ou exiger en plus une correspondance sur le nom et le téléphone.

Question : Quelle approche est la plus sûre, et pourquoi ?

Résultat attendu : Exiger plusieurs critères concordants est plus sûr, car un seul critère commun, comme une adresse e-mail partagée dans un couple, peut conduire à fusionner par erreur deux personnes différentes.

Application guidée : évaluer la qualité d’une unification

Contexte : Après un projet d’unification, une entreprise constate que son nombre total de profils clients a nettement baissé.

Question : Comment interpréter correctement cette baisse, et que faut-il vérifier avant de la considérer comme un succès ?

Résultat attendu : Cette baisse traduit probablement l’élimination de doublons, ce qui est positif si les fusions sont exactes ; il faut néanmoins vérifier un échantillon de profils fusionnés pour s’assurer qu’aucune fusion erronée n’a mélangé deux personnes différentes.

Pour bien le retenir

L'analogie

La Data Unification, c’est comme retrouver que trois surnoms différents, utilisés par des amis différents, désignent en réalité une seule et même personne, et rassembler tous les souvenirs partagés avec elle sous un seul nom, plutôt que de la traiter comme trois amis distincts.

« Trois profils, une seule personne : ne plus la traiter comme des inconnus. »

Pièges à éviter

À ne pas confondre avec

Ne confondez pas Data Unification et intégration des données clients : l'intégration consiste à rassembler les données, l'unification consiste à les fusionner en un profil unique et cohérent, ce qui suppose une étape de vérification supplémentaire.

Évitez de croire qu'une unification automatique est toujours fiable à cent pour cent : un mauvais réglage peut fusionner deux personnes différentes ou, à l'inverse, ne pas reconnaître qu'il s'agit de la même personne.

Enfin, une unification réussie doit être revue régulièrement : de nouvelles sources de données ou de nouveaux canaux peuvent faire réapparaître des doublons avec le temps.

Évolution historique

Apparition : Années 2010, en lien avec la montée des plateformes de données clients

Quels changements depuis l’arrivée de l’IA ?

Avant

L’unification des profils reposait sur des règles de correspondance exacte, par exemple une adresse e-mail identique au caractère près, ce qui laissait passer de nombreux doublons non détectés.

Aujourd’hui

Des algorithmes d’intelligence artificielle évaluent la probabilité que deux profils désignent la même personne à partir de plusieurs indices combinés, comme un nom proche, une adresse ou un comportement d’achat similaire, ce qui améliore la précision de l’unification tout en réduisant le risque de fusions erronées, sans toutefois l’éliminer complètement.

Évolution historique

Années 2000 : les entreprises gèrent des bases de données séparées sans réel effort de fusion entre elles.

Début des années 2010 : les projets de fiche client de référence unique se développent dans les grandes entreprises informatiques.

Milieu des années 2010 : la notion de Data Unification se popularise avec l’essor du marketing numérique multicanal.

Fin des années 2010 : les plateformes de données clients intègrent nativement des fonctions d’unification automatisée.

Années 2020 : l’intelligence artificielle renforce la précision des rapprochements de profils, tout en posant de nouvelles questions de fiabilité et de contrôle humain.