Tableau de bord Salesforce Marketing Cloud : guide SQL des data views

Chaque lundi matin, la même scène se répète dans de nombreuses équipes CRM : on exporte à la main les chiffres d’envoi depuis les rapports natifs, on les colle dans un tableur, puis on passe une heure à recoller les morceaux avant le comité marketing. Dans Salesforce Marketing Cloud, il existe pourtant une voie bien plus fiable : s’appuyer sur les data views système, les interroger en SQL via une Query Activity, et alimenter un tableau de bord qui se met à jour tout seul. Dans ce guide pratique, vous allez construire pas à pas un socle de reporting robuste : tables de synthèse, requêtes incrémentales, automatisation et pièges à éviter. À la fin, vous disposerez d’un modèle que vous pourrez brancher sur Tableau, Looker Studio, Power BI ou même une simple Data Extension affichée dans un CloudPage.

Pourquoi les rapports natifs ne suffisent plus

Les rapports intégrés à Email Studio et Journey Builder répondent aux questions de base : combien d’envois, combien d’ouvertures, quel taux de clic. Mais dès que vous souhaitez croiser ces données avec vos attributs clients, comparer plusieurs business units ou suivre une tendance sur 12 mois, ils montrent leurs limites. Trois problèmes reviennent systématiquement :

  • la rétention limitée des données de tracking, qui oblige à archiver soi-même l’historique si l’on veut comparer d’une année sur l’autre ;
  • l’impossibilité de joindre simplement les événements d’envoi avec des données CRM ou des segments métier ;
  • des exports manuels qui introduisent des erreurs et ne sont jamais refaits de la même façon par deux personnes.

La solution consiste à considérer votre compte comme une petite base de données analytique, et à matérialiser vous-même les indicateurs dont vous avez besoin.

Les data views, la matière première

Les data views sont des tables système en lecture seule, disponibles uniquement dans une Query Activity. Les plus utiles pour un tableau de bord email sont _Sent, _Open, _Click, _Bounce, _Unsubscribe et _Job. Toutes partagent la clé JobID (avec ListID, BatchID et SubscriberID), ce qui permet de les rapprocher.

Un point d’attention : les ouvertures machine

Depuis la généralisation des protections de confidentialité des messageries, une partie des ouvertures est générée automatiquement. Les champs IsUnique et, selon votre configuration, les métriques de détection de robots permettent de nuancer le taux d’ouverture. Privilégiez donc le taux de clic unique comme indicateur principal et traitez l’ouverture comme un signal secondaire.

Étape 1 : créer la table de synthèse

Commencez par une Data Extension DE_Reporting_Daily avec les colonnes suivantes : ReportDate (Date), JobID (Number), EmailName (Text), Sent, Delivered, UniqueOpens, UniqueClicks, Bounces et Unsubs (Number). Définissez ReportDate et JobID comme clé primaire composite, afin de pouvoir utiliser le mode « Update » sans créer de doublons.

Étape 2 : la requête SQL incrémentale

Plutôt que de recalculer tout l’historique à chaque exécution, ne traitez que les 3 derniers jours : les clics et ouvertures tardifs seront ainsi rattrapés sans alourdir la requête.

SELECT
  CAST(GETDATE() AS DATE) AS ReportDate,
  j.JobID,
  j.EmailName,
  COUNT(DISTINCT s.SubscriberID) AS Sent,
  COUNT(DISTINCT s.SubscriberID) - COUNT(DISTINCT b.SubscriberID) AS Delivered,
  COUNT(DISTINCT o.SubscriberID) AS UniqueOpens,
  COUNT(DISTINCT c.SubscriberID) AS UniqueClicks,
  COUNT(DISTINCT b.SubscriberID) AS Bounces,
  COUNT(DISTINCT u.SubscriberID) AS Unsubs
FROM _Job j
INNER JOIN _Sent s ON s.JobID = j.JobID
LEFT JOIN _Open o ON o.JobID = s.JobID AND o.SubscriberID = s.SubscriberID AND o.IsUnique = 1
LEFT JOIN _Click c ON c.JobID = s.JobID AND c.SubscriberID = s.SubscriberID AND c.IsUnique = 1
LEFT JOIN _Bounce b ON b.JobID = s.JobID AND b.SubscriberID = s.SubscriberID
LEFT JOIN _Unsubscribe u ON u.JobID = s.JobID AND u.SubscriberID = s.SubscriberID
WHERE j.DeliveredTime >= DATEADD(DAY, -3, GETDATE())
GROUP BY j.JobID, j.EmailName

Configurez la Query Activity en mode Update vers DE_Reporting_Daily. Les jobs récents sont ainsi réécrits à chaque passage, tandis que l’historique plus ancien reste figé.

Étape 3 : calculer les taux à la lecture

Stockez les compteurs bruts et calculez les ratios au moment de l’affichage. C’est plus sûr : vous évitez les arrondis cumulés et pouvez agréger par semaine ou par campagne sans fausser les moyennes.

SELECT
  DATEPART(ISO_WEEK, ReportDate) AS Semaine,
  SUM(Sent) AS Envois,
  CAST(SUM(UniqueClicks) * 100.0 / NULLIF(SUM(Delivered), 0) AS DECIMAL(5,2)) AS TauxClicUnique
FROM DE_Reporting_Daily
GROUP BY DATEPART(ISO_WEEK, ReportDate)

L’essentiel : une moyenne de taux n’est jamais la moyenne des taux. Sommez toujours les numérateurs et les dénominateurs, puis divisez à la fin.

Étape 4 : automatiser dans Automation Studio

Créez une automatisation planifiée chaque nuit, de préférence après vos grosses vagues d’envoi, avec trois activités successives : la Query Activity de synthèse, une seconde requête qui calcule les agrégats hebdomadaires, puis une activité de transfert de fichier (File Transfer + Data Extract) si vous alimentez un outil externe sur SFTP. Ajoutez une notification d’erreur par email à l’équipe CRM : une requête qui échoue en silence est le meilleur moyen de présenter des chiffres périmés en comité.

Quelques garde-fous de performance

Les requêtes sur les data views sont soumises à un délai maximal d’exécution. Limitez la fenêtre de dates, filtrez sur EventDate quand c’est possible et évitez les SELECT *. Si une requête devient trop lourde, scindez-la par type d’événement dans des Data Extensions intermédiaires, puis assemblez-les dans une dernière étape.

Étape 5 : brancher le tableau de bord

Trois options s’offrent à vous selon votre maturité data :

  • une extraction quotidienne vers SFTP, consommée par Looker Studio, Power BI ou Tableau ;
  • une synchronisation vers votre entrepôt de données (Snowflake, BigQuery) via un connecteur ou l’API REST ;
  • un CloudPage interne qui lit la Data Extension en AMPscript ou SSJS, pour un suivi léger sans outil tiers.

Quel que soit le choix, documentez la définition de chaque indicateur au même endroit que le tableau de bord. Les discussions sur « le vrai taux de clic » disparaissent quand tout le monde lit la même formule.

Les erreurs fréquentes

Doublons dus à des jointures sur JobID seul sans SubscriberID, taux calculés sur les envois plutôt que sur les messages délivrés, fuseau horaire oublié lors de l’agrégation par jour, ou encore Data Extension sans clé primaire qui gonfle à chaque exécution. Testez toujours votre requête sur un envoi connu et comparez le résultat avec le rapport natif avant de la mettre en production.

À retenir

Matérialisez vos indicateurs. Stockez les compteurs quotidiens dans une Data Extension dédiée pour dépasser la rétention native et garder l’historique.

Travaillez en incrémental. Réécrivez uniquement les derniers jours avec une clé primaire composite et le mode Update.

Calculez les taux à la lecture. Sommez numérateurs et dénominateurs avant de diviser pour éviter les moyennes trompeuses.

Privilégiez le clic unique. Les ouvertures machine faussent le taux d’ouverture : gardez-le comme signal secondaire.

Automatisez et surveillez. Planifiez la chaîne dans Automation Studio avec une alerte d’erreur pour ne jamais présenter de chiffres périmés.

Besoin d’un tableau de bord SFMC fiable sans y passer vos week-ends ? Contactez CGC-Agency pour un audit de votre reporting.

A voir: