Construire son premier data warehouse marketing

Quand les données marketing sont dispersées entre GA4, les plateformes publicitaires, le CRM et l'outil e-commerce, chaque rapport devient un export manuel croisé à la main dans un tableur. Un data warehouse marketing résout ce problème en centralisant toutes ces sources dans un entrepôt unique, interrogeable en SQL et connectable à n'importe quel outil de reporting. Voici comment en construire un premier, sans sur-ingénierie.

Pourquoi centraliser ses données marketing

• Croiser des sources qui ne se parlent pas nativement : relier une dépense Google Ads à une vente Shopify, ou un lead HubSpot à son parcours GA4 d'origine, n'est possible qu'en rapprochant les données dans un même espace de requêtage.

• Sortir des limites des interfaces natives : Google Ads Manager ou GA4 imposent leurs propres fenêtres d'attribution et regroupements ; un warehouse permet de recalculer des métriques selon votre propre logique métier.

• Fiabiliser le reporting : une métrique calculée une seule fois dans le warehouse (ex : coût par lead qualifié) évite les divergences entre les chiffres de chaque équipe qui recalcule à sa façon dans son propre tableur.

Choisir sa plateforme

• Google BigQuery : le choix le plus courant pour un data warehouse marketing, notamment parce que l'export GA4 vers BigQuery est natif et gratuit, et que la tarification à l'usage convient bien à des volumes marketing (pas de serveur à dimensionner).

• Snowflake : pertinent si l'entreprise l'utilise déjà pour d'autres besoins data, avec une bonne séparation stockage/calcul.

• Amazon Redshift : cohérent si l'infrastructure est déjà largement sur AWS.

Pour une première mise en place orientée marketing, BigQuery reste le point de départ le plus simple, notamment grâce à l'intégration native avec GA4 et Google Ads.

Les sources à connecter en priorité

1. GA4 : export natif et gratuit vers BigQuery, avec la donnée événementielle brute (bien plus riche que l'interface GA4 elle-même).

2. Plateformes publicitaires (Google Ads, Meta Ads, LinkedIn Ads) : dépenses, impressions, clics par campagne, pour calculer un vrai coût d'acquisition croisé avec les ventes.

3. CRM (HubSpot, Salesforce) : statut des leads, valeur des opportunités, pour relier dépense publicitaire et revenu réel plutôt que de simples conversions de formulaire.

4. E-commerce (Shopify, Prestashop) : commandes, produits, valeur, pour une vision complète du funnel jusqu'à l'achat.

Architecture type

Une architecture marketing simple s'organise en trois couches :

• Ingestion (raw) : les données brutes de chaque source sont chargées telles quelles, sans transformation, pour garder une trace fidèle et pouvoir retraiter en cas d'erreur en aval.

• Staging : chaque source brute est nettoyée et standardisée individuellement (typage des colonnes, dédoublonnage, normalisation des noms de champs).

• Marts (métier) : les tables de staging sont jointes et agrégées en tables prêtes à l'usage, orientées métier : « performance campagnes », « funnel d'acquisition », « valeur vie client ». C'est cette couche que consultent les dashboards et les outils de Reverse ETL.

Outils d'ingestion

• Fivetran / Airbyte : connecteurs prêts à l'emploi pour charger automatiquement CRM, publicité et e-commerce dans le warehouse, sans développer d'intégration API sur mesure.

• Supermetrics / Funnel : alternative plus orientée marketing, avec des connecteurs publicitaires nombreux et une prise en main pensée pour les équipes non techniques.

• DBT : pour la couche de transformation (staging et marts), avec tests de qualité et documentation intégrés.

Bonnes pratiques de modélisation

• Ne pas transformer la donnée brute directement : toujours garder une couche raw intacte, pour pouvoir corriger une erreur de transformation sans devoir réimporter les sources.

• Documenter chaque table mart (définition des colonnes, logique de calcul) pour que les équipes qui consomment la donnée sachent exactement ce qu'elles lisent.

• Commencer petit : un premier mart « performance campagnes » qui croise dépense publicitaire et conversions suffit souvent à démontrer la valeur avant d'élargir le périmètre.

Christophe Dubois

Consultant tracking & data, freelance senior depuis 2012. Architecture de mesure, server-side, attribution.