« On savait qu’on passait à côté d’opportunités. Il nous manquait une vision consolidée du parcours client, et surtout une manière fiable d’en mesurer le ROI. »

• Stitch pour connecter les plateformes Ads et HubSpot à un data warehouse,

• BigQuery dans Google Cloud Platform comme socle de plate-forme data

• Looker Studio pour restituer les KPI business en temps réel.

« C’est ce qui a convaincu la direction : quand les chiffres sont ISO entre tous les outils, il n’y a plus de débat. »

— Xavier, consultant data chez Unnest

« On a gardé la structure la plus simple possible. Pas d’orchestrateur, pas d’outil exotique. Juste des scheduled queries SQL, bien commentées. Pour des cas plus structurés, nous aurions utilisé Dataform ou dbt »

— Xavier

• Paid × HubSpot Overview : un cockpit avec les investissements, MQL, SQL, ROAS et valeur signée.

• Focus Investissements & Trafic : une lecture plus macro des dépenses et des canaux, pour ajuster les budgets à la volée.

« Pour la première fois, on pouvait répondre en une minute à la question : “Quelles campagnes ont généré des leads de qualité ce mois-ci ? Et combien ont-ils rapportés de CA” »

• Chaque connecteur Stitch a été ré‑authentifié avec les credentials de l’équipe.

• Les requêtes SQL ont été documentées ligne par ligne.

• Une bibliothèque Notion a été remise, avec guides visuels : créer une intégration, modifier une requête, importer un fichier dans BigQuery, etc.

« Je n’avais jamais utilisé BigQuery ni écrit de SQL avant. Aujourd’hui, je suis capable de dupliquer une requête, d’ajouter un filtre, et de comprendre comment tout s’articule. »

• Mettre en place une attribution multi-touch, en intégrant les parcours GA4 plus finement.

• Envoyer les conversions offline (ex : passage à SQL ou deal signé) vers Meta Ads et Google Ads, pour améliorer les algorithmes d’enchères.

• Prédire la Lifetime Value d’un lead dès sa qualification, pour ajuster dynamiquement les budgets.

• Orchestrer les modèles via dbt Cloud, si les besoins ou l’équipe data grandissent.

• Quelles plateformes sont utilisées ? (6 au total)

• Quelles données intéressent vraiment les équipes ?

• À quelle granularité ? (campagne, canal, UTM, pays…)

• Quelles questions récurrentes restent sans réponse ?

• Connecteurs activés : Google Ads, Bing Ads, Meta Ads, LinkedIn Ads, GA4, HubSpot.

• Fréquence : 1 synchronisation quotidienne.

• Spécificité : seuls les champs utiles sont répliqués (ex. : deals dans HubSpot).

• ISO interface : les chiffres sont identiques à ceux vus dans Google Ads ou Meta.

• Simplicité de maintenance (interface 100% web, sans infra).

• Rapidité pour créer les connexions

• Très peu couteux

• Créé une requête SQL planifiée (scheduled query) qui nettoie, normalise et structure les données.

• Sorti le résultat dans une table dite “mart” (e.g. mart_google_ads, mart_hubspot_deal_inbound).

• Conversion de timestamps, renaming de colonnes, flatten des champs imbriqués (RECORD dans HubSpot).

• Suppression des doublons (properties vs properties_versions dans HubSpot).

• Normalisation des UTM (utm_campaign, utm_source, utm_medium, etc.).

« HubSpot, c’est de loin la source la plus piégeuse. Chaque client a ses propres personnalisations, et il faut passer du temps à explorer la donnée brute. »

— Xavier

• Agrégé toutes les plateformes Paid dans une table unique mart_paid.

• Joint cette table à mart_hubspot_deal_inbound, à la maille de la campagne (utm_campaign, utm_source, etc.).

• Créé une table finale mart_paid_x_hubspot avec les indicateurs clés :
• Investissements
• Clics
• MQL (Marketing Qualified Lead)
• SQL (Sales Qualified Lead)
• Won Value (valeur des deals gagnés)
• ROAS

• Comparaison automatique entre les données BigQuery et les chiffres affichés en interface (HubSpot, Google Ads, etc.).

• Alertes si un écart > 0,5 % est détecté.

• Audit manuel sur les périodes critiques (clôture mensuelle, changement de campagne…).

• Deux exports ont été testés : avec et sans la dimension landing page.

• Pourquoi ? Car dans certains cas, la landing provoque des duplications de sessions

• Décision : séparer les usages (landing pour le SEO, sans landing pour le ROI paid).

• KPI business : investissements, MQL, SQL, Won Value, ROAS.

• Graphique comparatif investissements / clics.

• Vue plateforme par plateforme.

• Filtres : pays, canal, campagne.

• Vision macro : impressions, CPC, CTR.

• Analyse temporelle des dépenses (S+1, mois glissants…).

• Comparaison multi-plateformes (Google, Bing, Meta, LinkedIn).

• Créé une bibliothèque Notion avec des guides concrets :
• Créer une intégration Stitch
• Importer un fichier dans BigQuery
• Modifier une requête SQL
• Décrire les champs de chaque table

• Réalisé une session de transfert (2h) avec démonstration et cas pratiques.

• Vérifié l’adoption : l’équipe a elle-même créé un connecteur NetSuite et une requête de nettoyage – sans assistance externe.

« Il est important que les équipes métier chez nos clients puissent reprendre et enrichir ce que nous développons pour eux, même sans background technique. Et c’est ce qui s’est passé. »

— Nicolas

XAVIER STEVENS

Senior data Analyst chez unnest je vous aide à transformer votre donnée en insights actionnables.

Avec le SQL comme seconde langue vivante, je modélise & transforme tout type de données afin de conduire des analyses et in fine d’aider mes clients à prendre des décisions data driven.

---

Références : Décathlon, Matmut, Respire, HomeBox, Nutrimuscle

#SQL #bigquery #Looker #data analyse #ETL

NICOLAS CHOLLET

PDG et fondateur chez unnest Nous accompagnons nos clients sur différents sujets autour de la data: digital analytics et mesure du ROI des investissements marketing, cadrage de vos besoins et pilotage de projets data et la structuration et consolidation de la donnée (Data Warehouse).

---

Références : L’Oréal, Ba&sh, VanCleef & Arpel, Sogexia, KPMG

#consulting #datastrategy #datamarketing