L'IA peut-elle remplacer le SQL pour les équipes marketing ?

‍

Le SQL est devenu, discrètement, le gardien de la création d'audiences dans Salesforce Marketing Cloud.

Si vous voulez un segment précis, quelqu'un doit d'abord écrire une requête.

Cette réalité commence à changer à mesure que l'IA entre dans le flux de segmentation.

‍

La question que les marketeurs se posent est simple. L'IA peut-elle retirer entièrement le travail SQL de leurs mains ?

La réponse honnête est plus nuancée qu'un simple oui ou non.

‍

Cet article examine ce que fait vraiment le SQL dans SFMC, où l'IA aide réellement aujourd'hui, et à quoi ressemble une répartition réaliste du travail pour une équipe marketing.

‍

Ce que fait réellement le SQL dans Salesforce Marketing Cloud

‍

Avant de décider si l'IA peut remplacer le SQL, il est utile d'être précis sur le rôle qu'il joue.

Dans SFMC, le SQL sert moins à l'analyse qu'à produire la liste exacte des personnes qu'une campagne va toucher.

‍

L'activité SQL Query dans Automation Studio

Dans Marketing Cloud Engagement, l'activité SQL Query est l'outil principal pour segmenter des audiences à grande échelle.

Vous écrivez une instruction SELECT, et l'activité récupère les enregistrements correspondants dans des data extensions ou des data views.

‍

Les résultats sont écrits dans une data extension cible. Vous choisissez si l'activité utilise Append, Update ou Overwrite comme action de données.

Cette data extension de sortie alimente ensuite un parcours, un envoi ou une autre automatisation.

‍

Vous pouvez exécuter l'activité une fois ou la planifier, ce qui permet à de nombreuses audiences récurrentes de rester à jour.

La requête n'est donc pas ponctuelle. Elle devient une brique d'infrastructure dont la campagne dépend.

‍

Pourquoi les data views comptent

Une grande partie de la segmentation utile repose sur les data views système, que Salesforce génère automatiquement.

Des vues comme _Sent, _Open, _Click, _Bounce et _Job contiennent un historique d'engagement que vous ne pouvez pas obtenir depuis une simple liste d'abonnés.

‍

Ces vues conservent environ six mois de données d'abonnés et de parcours.

Pour construire une audience de réactivation, par exemple, vous joignez souvent ces vues à une data extension sur SubscriberKey.

‍

C'est dans cette jointure que se trouve la vraie compétence SQL.

Bien poser les relations et les filtres de dates fait la différence entre un segment propre et un segment qui inclut discrètement les mauvaises personnes.

‍

C'est aussi pour cela que la logique de segmentation est difficile à déléguer à la légère.

L'intention est facile à formuler, mais l'implémentation correcte dépend de la connaissance du schéma.

‍

Là où le SQL ralentit les équipes marketing

‍

Le SQL est puissant, mais la façon dont il s'insère dans la plupart des équipes crée des frictions.

‍

Le goulot d'étranglement de la dépendance

La plupart des marketeurs n'écrivent pas de SQL. Les demandes d'audience sont donc redirigées vers un petit groupe de spécialistes techniques.

Ce groupe devient une file d'attente, et les campagnes patientent derrière elle.

‍

Un changement d'une ligne, comme exclure les contacts qui ont ouvert dans les trois derniers jours, peut quand même signifier un ticket et une attente.

La logique est triviale. Le processus qui l'entoure ne l'est pas.

‍

Sur un trimestre, ces petits délais finissent par produire des campagnes lancées en retard ou expédiées avec un segment moins soigné que prévu.

‍

Le coût de maintenance

Les requêtes sont rarement écrites une fois pour toutes.

Les noms de champs changent, les data extensions sont renommées, et une requête qui tournait bien le trimestre dernier renvoie discrètement un mauvais décompte.

‍

Quelqu'un doit assumer cette maintenance, et cette responsabilité repose rarement sur le marketeur qui a besoin de l'audience.

Le résultat est un coût caché qui grandit à mesure que l'organisation s'agrandit.

‍

Dans un grand compte avec des centaines de data extensions, savoir simplement quelle table contient le bon champ devient un métier à part entière.

‍

Ce que l'IA sait faire aujourd'hui dans l'écosystème Salesforce

‍

Salesforce ajoute de l'IA à l'expérience de segmentation, il vaut donc la peine de partir de ce qui existe vraiment.

‍

Einstein et la segmentation en langage naturel

Dans Data Cloud et les expériences Marketing Cloud plus récentes, Einstein peut aider à créer des segments à partir de descriptions en langage naturel.

Einstein Data Prism enrichit le schéma de Data Cloud avec des descriptions sémantiques, puis associe les expressions courantes aux champs de données sous-jacents.

‍

L'objectif est de laisser un marketeur décrire une audience en langage clair et obtenir en retour une définition de segment utilisable.

C'est un changement notable par rapport à l'écriture manuelle de la logique.

‍

Cela abaisse aussi la barrière pour les personnes qui comprennent la campagne mais n'allaient jamais apprendre la syntaxe des requêtes.

‍

Les signaux prédictifs d'Einstein

L'IA dans Marketing Cloud ne consiste pas seulement à générer des requêtes. Elle ajoute aussi des signaux sur lesquels segmenter.

Einstein Engagement Scoring prédit la probabilité qu'un contact ouvre ou clique, à l'aide du machine learning sur vos données d'engagement.

‍

Ces scores deviennent une colonne de plus sur laquelle filtrer.

L'IA aide donc à la fois à écrire le segment et à enrichir les données sur lesquelles il s'exécute.

‍

La tendance de fond est claire sur toute la plateforme.

Décrire ce que vous voulez devient une manière à part entière de construire des audiences, et pas seulement une commodité ajoutée par-dessus.

‍

L'IA peut-elle vraiment remplacer le SQL ? Un point de vue réaliste

‍

Le bon cadre n'est pas remplacement contre non-remplacement. C'est de savoir quelles parties du travail passent à l'IA.

‍

Ce que l'IA remplace bien

L'IA est efficace pour traduire une intention en un premier jet de logique de segmentation.

Décrire une audience, associer des champs et gérer des jointures courantes sont des tâches qu'un modèle de langage réalise rapidement.

‍

Pour la majorité des audiences du quotidien, ce premier jet représente l'essentiel du travail.

Il supprime le problème de la page blanche et l'obstacle de la syntaxe en une seule étape.

‍

Le marketeur passe son temps à juger si l'audience est la bonne, pas à se battre avec des conditions JOIN.

‍

Ce qui nécessite encore du SQL en dessous

Sous la conversation, SFMC exécute toujours une vraie requête sur de vraies tables.

Quelqu'un, ou quelque chose, doit encore produire une logique SELECT correcte sur les bonnes data views et data extensions.

‍

Les cas limites, les modèles de données inhabituels et l'optimisation des performances bénéficient encore d'une bonne maîtrise du SQL.

Une requête mal écrite peut être lente ou coûteuse, même quand elle renvoie les bonnes lignes.

‍

Le SQL ne disparaît donc pas. Il sort du quotidien du marketeur et devient une couche que l'IA génère et qu'un spécialiste peut relire.

‍

Comment l'IA conversationnelle change le flux de travail

‍

Le changement le plus concret n'est pas la technologie. C'est qui peut lancer le travail.

‍

De la file d'attente au self-service

Quand un marketeur peut décrire une audience et récupérer du SQL prêt pour la production, la file d'attente se réduit.

La personne qui comprend la campagne est la même que celle qui construit le segment.

‍

L'itération devient plus rapide, car le retour se fait en une seule séance plutôt qu'à travers un cycle de tickets.

Un segment qui prenait autrefois deux jours d'allers-retours peut être prêt en une après-midi.

‍

Garder l'humain dans la boucle

Remplacer entièrement le SQL est le mauvais objectif. Le rendre relisable est le bon.

Les bons outils conversationnels montrent la requête générée pour qu'un responsable technique puisse confirmer les jointures et les filtres avant l'exécution.

‍

Cela conserve la vitesse de l'IA sans renoncer au contrôle dont les équipes réglementées et à fort volume ont besoin.

Les meilleures configurations traitent l'IA comme le rédacteur et l'humain comme l'approbateur, pas l'un au détriment de l'autre.

‍

Voir QAiry en action

‍

L'IA ne supprimera pas le SQL de Salesforce Marketing Cloud. Elle changera qui doit l'écrire, et à quelle fréquence les marketeurs se retrouvent bloqués à l'attendre.

‍

QAiry transforme des demandes d'audience en langage clair en SQL SFMC prêt pour la production, que vous pouvez relire avant l'exécution. Découvrez son fonctionnement sur qairy.com/fr/product-demos, ou testez-le sur votre propre cas d'usage sur qairy.com/fr/try-it-free.