Le martech composable est un choix de modèle opérationnel
Maintenir une plateforme marketing fiable peut relever d’une décision d’architecture mûrement réfléchie. La technologie marketing composable, ou martech, permet à une organisation de connecter et de remplacer des composants individuels, y compris une application legacy, sans reconstruire l’ensemble de son environnement technologique. Une stack hybride associe des composants remplaçables à des outils cœur conservés. Pour une équipe capable de maintenir et de gouverner cette combinaison, un modèle hybride délibéré peut constituer un choix durable.
Mais cette liberté entraîne un travail continu, car chaque connexion crée des décisions de maintenance, de dépenses et de responsabilité. L’architecture doit donc correspondre à la capacité de l’organisation à l’exploiter tout en protégeant l’expérience client. Remplacer chaque composant d’une suite apporte peu de valeur si le système qui en résulte exige plus d’ingénierie, de coordination ou de supervision que l’équipe ne peut en fournir.
Ces choix opérationnels ont structuré la table ronde de la MarTech Conference de novembre 2026, « Built to adapt: Why composable martech is becoming the new standard ». La discussion a porté sur une modernisation à un rythme réaliste, une gouvernance délibérée et la confiance entre les fonctions. Les intervenants ont abordé ces enjeux à travers différentes questions : où les données doivent résider, qui est responsable du système connecté, comment évaluer les outils et quelles responsabilités restent du ressort de la marque.
Décider quelles capacités doivent rester stables
Moderniser à un rythme réaliste commence par décider quelles capacités doivent rester stables et quelles applications doivent être remplaçables. Kristina Kalpokaite, responsable martech chez Loop Horizon, a décrit un modèle qui place les données clients et la logique métier centrale dans un entrepôt de données central, un système partagé de stockage et de traitement des données. Des outils d’exécution spécialisés se connectent à cette base pour mener les activités marketing. Loop Horizon a un intérêt commercial auprès des organisations qui recherchent de l’aide en architecture et en opérations martech.
Dans le modèle de Kalpokaite, la gestion centralisée offre un cadre cohérent à la qualité des données, à l’hygiène des données et à la segmentation des audiences. L’hygiène des données permet de garder des dossiers clients propres et exploitables, tandis que la segmentation détermine quels clients appartiennent à quelles audiences. Lorsque ces fonctions sont gérées de manière centralisée, les équipes peuvent changer une application d’exécution sans déplacer en même temps toutes les responsabilités de données associées.
Maintenir la stabilité des fonctions essentielles aide aussi l’entreprise à continuer de fonctionner pendant la modernisation. Yefim Natis, analyste principal chez Natis Labs, a souligné que l’activité métier doit se poursuivre pendant que les équipes reconstruisent leur technologie. La technologie d’intégration d’aujourd’hui finira par devenir une technologie legacy, a-t-il noté, de sorte que même une architecture nouvellement assemblée implique de futurs travaux de maintenance et de remplacement. Natis Labs tire un bénéfice commercial de la demande en analyse et en conseil technologiques.
L’ampleur des travaux de remplacement qu’une équipe peut soutenir influe également sur le fait qu’un modèle hybride doive rester en place. Gene De Libero, fondateur de Digital Mindshare LLC, a soutenu que conserver une stack hybride peut constituer une décision d’architecture aboutie. Son entreprise a un intérêt commercial dans la demande de stratégie martech et de conseil. Sa recommandation place la capacité de l’équipe à maintenir et à faire évoluer le système au cœur de la maturité architecturale.
Cette capacité varie selon les effectifs et les exigences réglementaires. De Libero a indiqué que les équipes réduites peuvent tirer parti d’un nombre moindre d’intégrations, car chaque connexion entraîne des obligations de maintenance continues. Les organisations soumises à des exigences strictes de conformité peuvent, elles aussi, avoir de bonnes raisons de conserver des outils cœur fiables et de limiter le changement. Pour ces organisations, un cœur stable est une réponse délibérée à des contraintes opérationnelles.
Un projet en tête ?
Planifiez un appel de 30 minutes avec nous.
Des experts senior pour vous aider à avancer plus vite : produit, tech, cloud & IA.
Attribuer la responsabilité des connexions et des dépenses
Une fois qu’une organisation a choisi ses frontières architecturales, elle doit attribuer la responsabilité de ce qui les traverse. Des applications distinctes échangent des informations avec des attentes différentes en matière de champs, de formats et de calendrier, tandis que les activités marketing dépendent du bon fonctionnement de ces échanges. La flexibilité au niveau des composants exige donc une équipe qui comprend à la fois la connexion technique et l’activité métier qu’elle soutient.
Kalpokaite a souligné que les partenaires en ingénierie et en analytique ont besoin d’une visibilité concrète sur l’exécution des campagnes, car l’intention de la campagne détermine quels champs doivent se trouver dans quels outils. Une API, une interface par laquelle les applications échangent des données, peut fonctionner correctement tout en envoyant des champs qui ne permettent pas de soutenir la campagne. Un ingénieur peut, par exemple, transférer avec précision les attributs clients demandés alors même qu’ils ne permettent pas de prendre en charge le workflow visé. Le marketing doit expliquer son objectif avec suffisamment de clarté pour que l’ingénierie et l’analytique puissent évaluer la demande.
Comprendre la campagne aide les équipes à concevoir des connexions utiles, mais le système connecté a tout de même besoin d’un responsable. De Libero a recommandé de traiter la stack composable comme un produit interne et d’en confier la responsabilité à une personne dédiée. Cette personne doit travailler au-delà des frontières applicatives, car modifier un composant peut affecter les mouvements de données, les processus dépendants et les dépenses ailleurs. Sinon, les équipes peuvent gérer leurs propres applications tout en laissant les connexions entre elles insuffisamment gouvernées.
La responsabilité du système devient particulièrement importante lorsqu’une organisation quitte une suite tout-en-un et prend elle-même en charge davantage de travail d’intégration. De Libero a identifié les flux de données, la cartographie des dépendances et la gouvernance des coûts comme des responsabilités que l’équipe doit assumer. La cartographie des dépendances consigne quels composants et processus dépendent d’autres, afin que les équipes puissent évaluer ce qu’un changement proposé affectera. La gouvernance des coûts établit qui surveille les dépenses et qui peut agir lorsqu’elles évoluent.
Avant de cartographier toutes les connexions possibles, les équipes doivent toutefois décider quelles informations méritent d’être déplacées. Craig Schinn, COO d’Actable, a conseillé d’identifier les signaux clients qui soutiennent matériellement l’engagement avant de construire une intégration. Un signal client est une information sur un client qui peut éclairer une action marketing. Actable a un intérêt commercial dans les organisations qui investissent dans la stratégie et la mise en œuvre des données clients, ce qui est pertinent au regard de ses conseils sur les priorités d’intégration.
L’approche de Schinn donne à chaque intégration un objectif métier et en limite la portée. Transférer chaque point de donnée disponible augmente le volume d’informations à gérer sans démontrer que chaque élément améliore l’engagement. Sélectionner les entrées dont un workflow a besoin donne au marketing, à l’ingénierie et à l’analytique une base commune pour décider de ce qu’il faut connecter. Cela leur permet aussi de juger si les données qui parviennent à ce workflow sont fiables et utiles.
Même une intégration bien cadrée peut créer une obligation financière distincte lorsque le traitement est déplacé vers un entrepôt de données. De Libero a averti que ce changement déplace aussi la consommation de calcul : les requêtes, c’est-à-dire les demandes qui récupèrent ou traitent des données, utilisent des ressources d’infrastructure. Des requêtes non surveillées peuvent donc faire augmenter les factures d’infrastructure. Centraliser le travail exige une décision correspondante sur la personne chargée de surveiller ces requêtes et les ressources qu’elles consomment.
Les dépenses liées à l’entrepôt de données font des choix applicatifs un sujet pour la finance autant que pour l’ingénierie. Le responsable de la stack doit évaluer l’effet d’une charge de travail proposée sur les factures d’infrastructure, en plus des coûts applicatifs et d’intégration ; un achat peut donc nécessiter à la fois une évaluation de l’intégration et une évaluation du coût de l’entrepôt de données. Gérer ces coûts dans le cadre du produit interne donne à l’organisation une chance d’agir avant qu’une facture plus élevée ne constitue le premier signal d’alerte.
Évaluer les outils à travers les campagnes et les tests en production
Ces responsabilités opérationnelles doivent orienter l’évaluation avant un achat. Les renouvellements de plateforme et les argumentaires des fournisseurs peuvent attirer une équipe vers des priorités concurrentes, tandis qu’une campagne concrète fournit une exigence métier précise. Kalpokaite a recommandé de partir des cas d’usage de campagne et d’identifier les attributs de données exacts dont chacun a besoin. Les équipes peuvent ensuite évaluer un outil proposé au regard du travail visé et des mouvements de données nécessaires pour le soutenir.
Le test campagne-attribut met aussi en évidence les synchronisations inutiles. Si un outil d’exécution utilise relativement peu de champs, y copier une base de données volumineuse crée du travail et des coûts au-delà des besoins de la campagne. La recommandation de Kalpokaite aide l’équipe à juger si ce transfert en vaut la peine. La capacité à ingérer de grands volumes de données devient alors une capacité à évaluer au regard d’un besoin défini.
Une exigence de campagne clairement définie donne également aux opérations marketing et à la finance un point de départ pour la mesure. Elles doivent établir des modèles de référence d’attribution du revenu, c’est-à-dire des méthodes convenues pour attribuer la contribution au revenu aux activités marketing, dans le cadre de l’architecture initiale. Le faire tôt permet de disposer d’éléments de performance avant l’arrivée de la pression liée au renouvellement. Les résultats mesurés et l’attribution du revenu peuvent alors éclairer les décisions de dépenses aux côtés de l’effort d’intégration et des coûts opérationnels.
Mais les estimations d’effort doivent résister à l’épreuve de l’environnement de travail. De Libero a encouragé les équipes à tester les affirmations des démonstrations fournisseurs dans leurs véritables pipelines de production, les séquences par lesquelles les données en direct sont traitées et livrées. Les tests doivent révéler le travail d’intégration et les ressources internes nécessaires avant que l’organisation n’engage son budget. Une capacité démontrée par un fournisseur doit encore s’adapter aux systèmes existants de l’acheteur et à sa capacité en effectifs.
Les tests en production sont particulièrement utiles lorsqu’une équipe veut garder la possibilité de changer plus tard une capacité d’intelligence artificielle (IA). Natis a soutenu que la composabilité permet à une organisation de lancer un projet pilote sur une capacité puis de la remplacer si les coûts augmentent ou si les résultats déçoivent. L’équipe peut évaluer cette application sans faire de tous les autres composants une partie de la même décision. Elle doit déterminer si la possibilité de changer vaut les exigences d’intégration, d’effectifs et d’exploitation.
Garder le contrôle des données clients à mesure que les outils d’IA évoluent
La capacité à changer d’application dépend aussi de ce que l’organisation peut conserver lorsqu’une relation fournisseur prend fin. Avant d’adopter une IA fournie par un fournisseur, les équipes doivent se demander si elles conserveront le contrôle des modèles et des données historiques, et si une intelligence de marque importante risque de se retrouver enfermée dans un environnement propriétaire. Les informations et les apprentissages s’accumulent à l’usage, ce qui peut rendre difficile l’abandon d’une application apparemment remplaçable. Évaluer un outil d’IA inclut donc l’évaluation de ce qui peut suivre l’organisation.
Cette évaluation doit s’appuyer sur les intégrations disponibles au moment de la décision. Kalpokaite a insisté sur la nécessité de vérifier ce qui fonctionne déjà en production plutôt que de traiter une promesse de feuille de route future comme une capacité disponible. Une connexion promise reste une possibilité future tant qu’elle ne fonctionne pas dans l’environnement requis. Construire les opérations actuelles autour d’elle rendrait l’organisation dépendante d’une livraison qu’elle ne peut pas encore utiliser.
Pourtant, les connexions disponibles ne répondent qu’à une partie de la question du contrôle, car certaines responsabilités structurent chaque application qui utilise des informations clients. Kalpokaite a identifié la résolution d’identité, la gestion du consentement et les données clients comme des fondations qui doivent rester détenues en interne. La résolution d’identité détermine quels enregistrements renvoient au même client, tandis que la gestion du consentement régit les autorisations d’utilisation des données de ce client. La maîtrise de ces fonctions influe sur la manière dont l’organisation reconnaît les personnes et agit sur leurs informations à travers les outils d’exécution.
Conserver ces fondations en interne donne à l’organisation une base cohérente pour évaluer de nouveaux outils d’IA. Une équipe peut évaluer ce qu’il advient de la connaissance client et de l’intelligence de marque essentielle au fil du temps tout en conservant l’autorité sur l’identité et les autorisations. Le test pratique consiste à savoir si l’organisation peut choisir de changer d’outils tout en conservant les informations centrales pour ses relations clients.
Donner aux équipes transverses l’autorité nécessaire pour exploiter la stack
Conserver ce contrôle exige une autorité qui dépasse toute application ou tout département pris isolément. Schinn a soutenu que la transformation nécessite un alignement entre le marketing, l’IT, la data et l’analytique, avec des décisions technologiques coordonnées au service d’une croissance durable de l’entreprise. La discussion plus large du panel a également placé la confiance entre les fonctions au centre de la modernisation. La responsabilité de l’ingénierie pour les intégrations et le rôle de la finance dans les coûts et l’attribution rendent leur participation nécessaire pour exploiter l’architecture choisie.
Cette autorité partagée est importante parce que la marque reste responsable à mesure que ses fournisseurs et ses systèmes évoluent. Natis a souligné que la responsabilité de l’expérience client reste du ressort de la marque, même lorsque les outils, les bases de données et les microservices, de petits services logiciels distincts exploités séparément, changent. Un fournisseur peut apporter une capacité, mais l’organisation doit conserver l’autorité et la capacité de respecter ses obligations envers les clients tout au long de ces changements.
Points clés
- Faire correspondre l’architecture à la capacité opérationnelle : Une stack martech hybride peut constituer un choix durable lorsqu’elle correspond aux exigences en matière d’effectifs, de maintenance et de conformité. Le marketing et l’IT doivent identifier quelles capacités cœur ont besoin de stabilité avant de remplacer des applications.
- Attribuer la responsabilité sur l’ensemble de la stack : Un responsable dédié de la stack doit assumer la responsabilité des flux de données, des dépendances applicatives et des coûts opérationnels. La finance et l’ingénierie doivent avoir une visibilité partagée sur les charges de travail de l’entrepôt de données, car les décisions de traitement affectent les factures d’infrastructure.
- Évaluer les outils au regard des exigences des campagnes : Les opérations marketing doivent définir les attributs de données et les mesures d’attribution du revenu dont chaque campagne a besoin. L’ingénierie doit tester les capacités des fournisseurs dans les pipelines de production afin d’établir l’effort d’intégration et les besoins en ressources avant l’approbation du budget.
- Conserver la maîtrise des fondations clients : Gardez en interne la résolution d’identité, la gestion du consentement et les données clients. Avant d’adopter une IA fournisseur, confirmez la maîtrise des données historiques, des modèles et de l’intelligence de marque accumulée, et vérifiez que les intégrations requises fonctionnent déjà.
- Donner un pouvoir de décision aux responsables transverses : Le marketing, l’IT, la data, l’analytique, l’ingénierie et la finance ont besoin d’une autorité coordonnée sur l’architecture et les opérations. La marque reste responsable de l’expérience client à mesure que les applications et les fournisseurs évoluent.
Un projet en tête ?
Planifiez un appel de 30 minutes avec nous.
Des experts senior pour vous aider à avancer plus vite : produit, tech, cloud & IA.


