Les principales approches de segmentation dans SFMC en 2026

‍

Dans Salesforce Marketing Cloud, il n'a jamais existé une seule bonne façon de segmenter. La plupart des équipes combinent plusieurs méthodes, et ce choix dépend souvent des personnes disponibles plus que des besoins de la campagne.

Voici un panorama des approches en usage en 2026, de leurs points forts et de leurs limites.

‍

L'objectif n'est pas de désigner un vainqueur, mais d'adapter la méthode à chaque besoin.

‍

La segmentation par filtres visuels

‍

Filtres et Audience Builder

L'option la plus accessible reste l'outillage visuel de SFMC. Les Filtered Data Extensions et Audience Builder permettent de définir des règles depuis l'interface, sans écrire de code.

Pour un besoin simple, comme les abonnés d'un pays donné inscrits cette année, c'est rapide et facile à relire.

‍

Quand la méthode atteint ses limites

Les filtres visuels fonctionnent surtout sur une source de données unique et bien structurée. Dès qu'une audience combine historique d'engagement, données d'achat et exclusions, la logique devient difficile à lire, puis à maintenir.

Beaucoup d'équipes y arrivent plus vite que prévu et confient alors la demande à un collègue technique.

‍

Un test pratique consiste à compter les sources que touche une audience. Au-delà d'une seule, les filtres visuels cessent généralement d'être l'option la plus simple.

Autre signal d'alerte : le temps de relecture. Quand un collègue ne comprend plus d'un coup d'œil ce que contient un segment, les règles ont dépassé l'interface.

‍

Ce constat ne remet pas en cause les outils visuels, qui conviennent bien au périmètre restreint pour lequel ils ont été conçus.

‍

Les requêtes SQL dans Automation Studio

‍

Pourquoi le SQL reste l'outil de référence

Les SQL Query Activities restent le moyen le plus souple de construire une audience. Elles permettent de croiser des data extensions, d'interroger les data views système et d'écrire le résultat dans une data extension de destination, selon un calendrier.

Le module Trailhead de Salesforce sur le SQL dans Marketing Cloud Engagement présente les commandes de base : SELECT, FROM, JOIN et WHERE.

‍

Les limites documentées à anticiper

Salesforce documente des limites strictes qui orientent la conception des requêtes. Une requête s'interrompt au bout de 30 minutes, et Salesforce conseille de rester sous les 5 minutes pour de meilleures performances.

Des limites souples s'ajoutent : au maximum 4 data extensions et 3 jointures recommandées par requête, ainsi qu'un volume quotidien de requêtes qui varie selon l'édition.

‍

Cela ne fait pas du SQL un mauvais choix. En revanche, écrire une bonne requête est une compétence, concentrée chez un petit nombre de personnes.

C'est pourquoi la relecture des requêtes compte. Une requête qui fonctionne sur un petit jeu de test peut se comporter très différemment sur une grande table de production.

‍

Sélectionner uniquement les champs utiles, plutôt que toutes les colonnes, est une habitude simple qui aide les requêtes à terminer bien avant la limite de temps.

La planification joue aussi son rôle. Comme le résultat est écrit dans une data extension de destination, une requête bien conçue garde l'audience à jour sans reconstruction manuelle.

‍

Les signaux d'engagement et prédictifs

‍

L'engagement comme règle de segmentation

Les audiences les plus utiles reposent souvent sur le comportement : qui a ouvert, qui a cliqué, qui ne répond plus. Dans SFMC, cet historique se trouve dans des data views comme _Sent, _Open et _Click.

Salesforce propose aussi Einstein Engagement Scoring, qui estime la probabilité d'engagement des contacts. Ces scores peuvent alimenter vos règles d'audience.

‍

La réserve à garder sur les scores prédictifs

Un score n'est pas une audience, c'est une donnée d'entrée. Il faut encore une règle claire pour l'exploiter et un moyen de le combiner aux exclusions et à la logique métier.

Mieux vaut le considérer comme un filtre parmi d'autres.

‍

Une équipe peut ainsi croiser un score d'engagement faible avec un achat récent, tout en excluant les contacts déjà présents dans un journey actif. Chaque condition est simple, mais c'est la combinaison qui apporte de la valeur.

Or ce type de combinaison finit très souvent en SQL.

‍

La segmentation avec Data Cloud

‍

Quand le profil unifié sert de socle

Les équipes équipées de Data Cloud peuvent bâtir des segments sur des profils unifiés issus de multiples sources. C'est pertinent pour les organisations dont les données clients sont réparties entre plusieurs systèmes.

Cette option relève d'un choix d'architecture plus large que la simple méthode de segmentation, et s'inscrit donc dans une stratégie data globale.

‍

Une cohabitation avec le travail dans Engagement

Même avec Data Cloud, de nombreuses équipes continuent de construire leurs audiences de campagne dans Marketing Cloud Engagement. Les deux approches coexistent souvent.

La vraie question est de savoir où l'audience doit être activée. Si l'envoi se fait dans Email Studio ou Journey Builder, les données doivent y être disponibles sous une forme exploitable.

‍

Ainsi, adopter Data Cloud supprime rarement le besoin de compétences en requêtes. Cela déplace simplement une partie du travail.

‍

La segmentation en langage naturel et assistée par IA

‍

Ce qui change pour le marketeur

Le principe : décrire l'audience avec ses propres mots et laisser un assistant produire la requête. Au lieu de rédiger une jointure, le marketeur formule sa demande, par exemple « Les contacts ayant acheté ces 90 derniers jours mais n'ayant ouvert aucun e-mail depuis 60 jours. »

Le résultat reste du SQL, donc lisible et compatible avec les automations déjà en place.

‍

C'est important, car le SQL est un langage partagé. Un relecteur qui connaît les data views peut lire le résultat, le corriger et le valider avant tout envoi.

Cela évite aussi d'abandonner les automations existantes pour tester cette approche.

‍

Les vérifications à faire avant de s'y fier

Demandez si la requête générée est visible, si elle respecte les data views et les limites évoquées plus haut, et si un collègue technique peut la relire.

L'IA supprime la saisie, pas le besoin d'une logique solide.

‍

Il est également judicieux de garder un humain dans la boucle pour les audiences sensibles, comme les listes de suppression, où une règle erronée a de vraies conséquences.

Dans cet esprit, le langage naturel devient un premier jet plus rapide, et la relecture par un expert reste le garde-fou.

‍

Comment choisir entre ces approches

‍

Adapter la méthode à l'audience

• Règles simples sur une seule source : filtres visuels ou Audience Builder
• Logique multi-tables et actualisation planifiée : SQL Query Activities
• Comportement à grande échelle : data views, avec ou sans scores d'engagement
• Profils multi-systèmes : Data Cloud
• Demandes rapides des équipes non techniques : génération en langage naturel

‍

Adapter la méthode à l'équipe

La question la plus utile est souvent organisationnelle : qui peut construire et maintenir cette audience en l'absence de son auteur ?

Une approche qui repose sur un seul expert crée un goulot d'étranglement, quel que soit son mérite technique.

‍

Une documentation claire et des conventions de nommage servent quelle que soit la méthode. Un nom explicite et une description d'une ligne par audience font gagner des heures par la suite.

Enfin, réévaluez régulièrement votre choix. Une méthode adaptée à une équipe de deux personnes ne convient pas forcément à vingt personnes pilotant des campagnes sur plusieurs marchés.

‍

Découvrir QAiry en action

‍

QAiry est un assistant conversationnel pour Salesforce Marketing Cloud qui transforme des demandes en langage courant en requêtes SQL que vous pouvez relire.

Voyez son fonctionnement sur qairy.com/fr/product-demos ou essayez-le sur qairy.com/fr/try-it-free.