Nous accompagnons nos clients sur leurs pipelines de données, leur data warehouse et les workflows qui les alimentent. Ce qui en sort, ce sont des données structurées et documentées, prêtes à être activées : dashboards, pilotage média, cas d'usage IA.
Nous intervenons sur toute la chaîne ou sur un maillon : l'architecture data, le tracking, l'ingestion, la modélisation, l'activation. C'est vous qui choisissez votre point d'entrée, selon ce qui tourne déjà chez vous et vos objectifs.
EdgeAngel est une agence data marketing et IA, et un cabinet de conseil indépendant. Nous intervenons sur la donnée marketing et analytics depuis 2018, en chantier cadré ou en régie auprès de vos équipes.
Certains clients nous appellent pour construire de zéro, d'autres ont un entrepôt qui tourne et des chiffres qu'ils ne croient plus, d'autres veulent activer ce qu'ils ont déjà. Nous entrons par le maillon qui manque.
01Architecture et data platform
02Collecte et ingestion
03Modélisation et contrôle
04Activation et cas d'usage
01
Architecture et data platform
Le choix d'architecture vous engage sur plusieurs années. Il se décide sur vos cas d'usage, vos équipes et votre cloud.
Audit de l'existant : sources, usages réels, coûts
Architecture cible : data warehouse, data lakehouse, ou les deux
BigQuery, Snowflake ou Databricks, selon votre cloud
Tout est construit dans votre projet cloud
Gouvernance des accès, conformité RGPD, hébergement en Europe
Coûts de stockage et de requête cadrés dès la conception
Vos données arrivent de partout, à des rythmes différents, avec des schémas qui changent. C'est le maillon le moins visible de la chaîne, et celui qui demande le plus de surveillance.
Nous opérons une plateforme d'ingestion pour nos clients, pilotée par API et scriptée : un nouveau périmètre se déploie et se documente en quelques jours. Nous sommes Airbyte Partner, et nous intervenons aussi sur les ETL déjà en place chez vous.
Le tracking en amont : collecte web, app, server-side
Régies, CRM, analytics, back-office, produit : tout remonte
ETL et ELT du marché, ou un connecteur écrit pour votre source
Orchestration, reprises sur incident, historisation
Contrôles de fraîcheur et de complétude sur ce qui arrive
C'est là que la donnée brute devient un chiffre que quelqu'un peut citer en réunion. Vos règles métier s'écrivent, se versionnent et se relisent.
Modèles dbt ou Dataform, selon votre stack
Data marts par usage : reporting, audiences, LTV, attribution
Les règles métier écrites : définitions, exceptions, seuils
Chaque champ documenté, lisible par un humain et par un agent
Tests de cohérence, data lineage, historique des versions
Un contrôle d'exactitude publié : la table exposée dit la même chose que la production
Le code de transformation vit dans un dépôt versionné, avec son historique. Vous pouvez le lire, le reprendre, ou le confier à quelqu'un d'autre.
04
Activation et cas d'usage
La donnée modélisée repart vers vos outils, vos campagnes et vos agents. C'est là qu'elle produit de la valeur.
La CDP est un moyen. Selon votre contexte, on l'intègre à la chaîne, on l'alimente depuis l'entrepôt, ou on couvre sa fonction avec l'entrepôt et le reverse ETL. Le choix se discute au cadrage.
Reverse ETL vers CRM, régies, outils métier
Audiences first-party et conversions enrichies vers les plateformes
CDP : l'intégrer, l'alimenter, ou tenir son rôle avec l'entrepôt
Tables exposées aux agents IA, avec leur documentation
Dashboards et pilotage budget sur une source unique
L'architecture data d'un de nos clients, telle qu'elle tourne aujourd'hui. Elle permet à ses équipes marketing de piloter les campagnes sur la marge réelle, et d'exploiter l'IA sur des données dont la justesse est contrôlée. Voici la chaîne, maillon par maillon.
Chaque brique est remplaçable indépendamment des autres. Le choix se fait sur votre cloud, vos équipes et vos cas d'usage, et il se réexamine.
01
Centraliser
Le back-office remonte chaque jour dans BigQuery, à côté des données de régies et d'analytics. Une course, son montant facturé, son coût réel, son statut de réalisation, sa date. Les données de coût média arrivent par les mêmes pipelines, au même rythme.
Les sources arrivent telles quelles. La normalisation se fait dans l'entrepôt, où elle est relisible.
02
Réconcilier et modéliser
Une course facturée dans le back-office et un clic payé dans une régie sont deux événements sans lien commun. Nous les relions par l'identifiant de transaction, puis nous récupérons depuis Google Analytics l'identifiant de clic et le statut de consentement de chaque course. La marge réelle se calcule ensuite dans l'entrepôt, avec les règles du client, dans une définition écrite et versionnée. Une donnée manquante reste vide.
La jointure qui relie l'argent encaissé au clic payé, et la règle de calcul telle qu'elle est écrite.
03
Activer
La marge modélisée sert deux usages en même temps. Un dashboard devient la source de vérité du pilotage budget, celle que le client et le consultant regardent pour arbitrer. Et la valeur repart vers la régie en import de conversion hors ligne, via la Data Manager API, pour que la stratégie d'enchères vise la marge.
Le même chiffre sert l'arbitrage humain et l'enchère automatique. C'est ce qui rend les deux cohérents.
04
Exposer et analyser
Les tables modélisées sont documentées et ouvertes aux plateformes IA du consultant et du client. Les analyses fines se mènent dessus : incrémentalité, effets de saisonnalité, décomposition d'un écart de marge. Chaque champ porte sa définition, donc une réponse d'agent se remonte à sa source.
La documentation des champs est ce qui rend une table interrogeable par un agent, et le contrôle est ce qui rend son chiffre vérifiable.
Nos formats d'intervention
Deux façons de travailler avec nous
Nous proposons les deux, et elles se combinent souvent. Ce qui change, c'est le format de la mission et qui porte la conception.
Régie et renfort d'équipeChantier cadré
Pour qui
Régie et renfort d'équipe Vous avez une équipe data et une feuille de route, il vous manque une compétence ou des bras
Chantier cadré Vous voulez un périmètre livré, documenté et repris par vos équipes
Format
Régie et renfort d'équipe Un consultant intégré à votre équipe et à vos rituels, à la journée ou au forfait
Chantier cadré Un chantier avec un périmètre, un calendrier et des livrables nommés
Rythme
Régie et renfort d'équipe Vous pilotez, au rythme de vos sprints
Chantier cadré Premières données en production en quelques semaines, puis extension
Conception
Régie et renfort d'équipe Portée par vos équipes, nous exécutons et conseillons
Chantier cadré Portée par nous, validée avec vous
À la fin
Régie et renfort d'équipe La compétence est passée dans votre équipe
Chantier cadré Le code, les modèles et la documentation sont chez vous
Nous couvrons la chaîne entière : architecture, ingestion, orchestration, modélisation, gouvernance, activation. Nous sommes particulièrement utiles sur la définition et la mise en production des cas d'usage marketing, parce que nous connaissons les outils qui consomment la donnée et les actions qui produisent un résultat mesurable.
Nous travaillons en autonomie sur le périmètre que vous nous confiez, ou en appui de votre DSI, de vos équipes data et de vos intégrateurs. Le partage se décide au cadrage, et il se réajuste en cours de mission.
Régie
Les profils data que nous plaçons
Un consultant intégré à votre équipe et à vos rituels, pour une durée cadrée. Nous mobilisons nos profils internes et notre réseau de partenaires, agences et indépendants.
Data EngineerConstruit et opère les pipelines d'ingestion et l'entrepôt.
Analytics EngineerModélise et documente les données que vos outils et vos agents lisent.
Data ArchitectDessine l'architecture cible et arbitre les choix techniques.
DataOps EngineerIndustrialise le déploiement, l'orchestration et la surveillance.
Data AnalystConstruit les tableaux de bord et les analyses sur le modèle livré.
Consultant data marketingFait le lien entre le besoin métier et la donnée disponible.
Notre méthode
Comment nous travaillons
Nous partons d'un usage à valeur claire, nous construisons la chaîne dont il a besoin, et nous étendons ensuite. Un premier chiffre juste en production vaut mieux qu'une architecture complète sur le papier.
Sources, volumes, qualité, coûts, et surtout les usages réels. Nous regardons ce que vos équipes font aujourd'hui avec la donnée, et ce qu'elles aimeraient en faire.
02
Concevoir
Architecture cible, choix d'outils, modèle de données, gouvernance des accès. Un document que vos équipes peuvent challenger.
03
Construire
Ingestion, modèles, activation. Un périmètre en production, avec sa documentation et ses contrôles, avant de passer au suivant.
04
Faire vivre
Surveillance, évolutions de schéma, nouveaux usages, montée en compétence de vos équipes. Une chaîne de données continue de bouger avec votre activité.
Nous intervenons en audit seul, en construction complète, en reprise d'une stack existante, ou en plaçant un consultant chez vous.
Essentielles pour piloter et optimiser le marketing, maximiser les performances, et limiter les risques réglementaires.
02.
Consultants Premium
Réactifs, proactifs avec des expertises solides et éprouvées en IA & data marketing digital.
03.
Collaboration Personnalisée
EdgeAngel s'adapte à votre organisation pour une collaboration sur-mesure et efficace.
Les témoignages
Ce que nos clients en disent.
EdgeAngel ne se limite pas à l'achat média, ils donnent du sens aux chiffres. Ils ont su détecter les signaux faibles dans nos données pour transformer notre acquisition et débloquer de nouveaux leviers de performance.
Valentine Soulès Responsable e-commerce Golf One 64
Depuis le déploiement de Capture par EdgeAngel, notre équipe SEO a considérablement amélioré la qualité du reporting et l'analyse des opportunités : les rapports sont très performants, avec une granularité très poussée (+30 millions de lignes dans le dataset) et l'adoption par l'équipe est totale.
Karim Elmlih Head of Organic Acquisition – Growth Qonto
Partenaires depuis 2018 sur nos enjeux tracking et privacy (Piano, sGTM, RGPD), EdgeAngel allie expertise technique pointue et rigueur. Une extension de notre équipe indispensable pour sécuriser et accélérer nos projets data complexes.
Cédric Tamboise Group Digital & e-Commerce Director Kiloutou
Depuis 2021, EdgeAngel sécurise notre tracking Web & App. Leur expertise technique avancée nous a permis de reprendre le contrôle total de nos données pour piloter efficacement l'évolution de nos écosystèmes digitaux.
François Charlet Communication et Marketing Digital Citeo
Avec la solution Capture pour nos reportings et la qualité des consultants, nos bilans de performance sont devenus ultra clairs et pertinents. Cela nous permet de piloter l'activité au quotidien et de nous donner les moyens d'atteindre nos objectifs.
Mathias Pestre-Mazieres CEO Blue Horse Group
Une stratégie d'acquisition qui a parfaitement sécurisé notre haute saison. Grâce à un pilotage fin de la complémentarité Google / Meta, nous avons pu scaler nos volumes avec une rentabilité maîtrisée.
Lydie Castagnet Directrice Marketing & Communication Forge Adour
Notre solution
Capture : la Data Platform modulaire pour activer vos données Marketing & IA.
Connectez vos outils entre eux et alimentez vos workflows IA et agentiques avec vos données et votre contexte métier. Capture augmente votre infrastructure existante et la rend plus efficiente : vous restez propriétaire des outils et des données.
Une Modern Data Stack est un ensemble de briques spécialisées qui collectent, centralisent, transforment et activent les données d'une entreprise, reliées par des pipelines automatisés. Chaque brique est remplaçable indépendamment des autres.
Concrètement : l'ingestion amène la donnée, l'entrepôt la stocke, la transformation la met en forme selon vos règles métier, l'activation la renvoie vers vos outils. La gouvernance et la documentation traversent les quatre.
Quels outils composent une Modern Data Stack ?
Une Modern Data Stack s'organise en six catégories :
Ingestion et synchronisation : Airbyte, Fivetran, Stitch
Stockage et entrepôt : Google BigQuery, Snowflake, Databricks
Transformation : dbt, Dataform
Activation et reverse ETL : Hightouch, Census, Segment
Visualisation et BI : Data Studio, Power BI, Metabase
Gouvernance : catalogue de données, data lineage, contrôle des accès, conformité RGPD
Le choix dépend de votre maturité, de vos équipes, de votre cloud et des cas d'usage visés.
Sur les sujets de souveraineté, un socle européen est un critère de décision réel : OVHcloud et Scaleway côté cloud, Didomi côté gestion du consentement. Il se traite au cadrage, avec vos contraintes réglementaires.
Quelle différence entre Modern Data Stack et data platform ?
La Modern Data Stack désigne les briques modulaires qui collectent, transforment et activent la donnée. La data platform désigne le socle technique sur lequel elles reposent : infrastructure cloud, stockage, orchestration, sécurité, gestion des accès.
Les deux se conçoivent ensemble. Une stack posée sur un socle mal cadré coûte cher en exploitation et devient difficile à faire évoluer, et un socle sans usages reste une facture cloud.
BigQuery, Snowflake ou Databricks : comment choisir ?
Le choix se fait sur votre cloud, vos compétences internes et votre profil de coûts. Si vous êtes déjà sur Google Cloud, BigQuery est le chemin court : facturation à la requête, pas de cluster à dimensionner, intégration native avec l'écosystème publicitaire et analytics. Sur AWS ou Azure, ou avec des équipes déjà formées, Snowflake et Databricks ont leurs arguments, notamment sur les charges de calcul lourdes et le machine learning.
Notre expertise la plus profonde est sur BigQuery, et nous le disons. Si votre socle est ailleurs, nous intervenons dessus : la conception du modèle pèse plus lourd que le moteur qui l'exécute.
dbt ou Dataform pour la transformation ?
Les deux font le même travail : écrire des transformations SQL versionnées, testées et documentées. dbt est le standard du marché, avec le plus gros écosystème et la plus grande communauté, souvent le bon choix si vos équipes le connaissent déjà ou si votre entrepôt est ailleurs que sur Google Cloud. Dataform est natif BigQuery, sans licence supplémentaire ni orchestrateur séparé, et il vit dans votre projet Google Cloud.
Nous travaillons avec l'un comme avec l'autre. Ce qui compte davantage : que les modèles soient versionnés, que les règles métier soient écrites et que les tests existent.
Une CDP remplace-t-elle une Modern Data Stack ?
Non, elles répondent à deux besoins différents. Une CDP unifie les profils clients et les active vers des outils marketing, avec une interface faite pour des équipes métier. Un entrepôt stocke l'ensemble de vos données, y compris celles qui ne concernent pas le client, et sert autant l'analyse que l'activation.
Trois situations se présentent en pratique. Vous avez une CDP : nous l'intégrons à la chaîne et nous l'alimentons depuis l'entrepôt, ce qui évite qu'elle devienne une deuxième source de vérité. Vous en évaluez une : nous cadrons ce qu'elle apporte face à un entrepôt plus un reverse ETL. Vous préférez vous en passer : la fonction se couvre avec l'entrepôt, la modélisation et l'activation.
Comment savoir si les chiffres qui sortent de la stack sont justes ?
Par un contrôle écrit. Nous publions une réconciliation entre la table exposée aux outils et la vue de production qui fait référence : les mêmes agrégats, sur la même période, ligne par ligne, avec l'écart affiché. Le contrôle rejoue à chaque évolution du modèle.
À côté de ça, les tests de cohérence tournent sur les modèles, les contrôles de fraîcheur et de complétude tournent sur l'ingestion, et le data lineage dit d'où vient chaque champ. Une donnée manquante reste vide et se signale.
Qui possède le code et les données de la stack ?
Vous. Et c'est une question qu'il faut poser à tout prestataire, parce que la réponse varie.
Chez nous : l'entrepôt et les tables modélisées vivent dans votre projet cloud, le code de transformation est versionné dans un dépôt avec son historique, la documentation des modèles est livrée. Si vous reprenez la main ou changez de partenaire, vous partez avec l'ensemble.
Une nuance honnête : selon l'architecture retenue, une partie du flux d'ingestion peut transiter par une plateforme que nous opérons. C'est un choix qui se discute au cadrage, et il se documente.
Combien de temps pour une première chaîne en production ?
Quelques semaines pour un premier périmètre livré et documenté : deux ou trois sources, un entrepôt, un modèle et un usage servi. Quelques mois pour une chaîne complète sur l'ensemble des sources.
Le facteur qui pèse le plus, ce sont les accès. Obtenir les droits sur une régie, un CRM ou un back-office prend souvent plus de temps que de brancher le flux, et ça se prépare dès le cadrage.
Pouvez-vous reprendre une stack existante ?
Oui, et c'est le point de départ de beaucoup de nos projets. Une stack reprise vient avec ses raisons : un prestataire parti, une équipe qui a changé, un chantier arrêté au milieu.
Nous commençons par un état des lieux : ce qui tourne, ce qui a cessé de tourner sans que personne le voie, ce qui est documenté, ce qui coûte. Puis nous décidons avec vous ce qui se garde, ce qui se refait et ce qui s'arrête. Nous savons aussi transférer une stack que nous avons construite vers vos équipes ou vers un autre partenaire.