Choux = choux. Toujours.
GA4 dit « sessions ». Meta dit « reach ». Google Ads dit « impressions ». Stripe parle de « successful_payments ». Une IA naïve s’y perd ou compare des choux et des carottes. Notre couche canonique normalise tout dans un seul vocabulaire métrique partagé.
Même idée, quatre mots différents selon l’outil. Même mot, définitions différentes (une « session » GA4 ≠ une « session » Adobe). Sans normalisation, l’IA devine mal ou refuse de comparer. Nous, on ne devine pas.
Chaque métrique de chaque connecteur a un mapping explicite vers une clé canonique (ex : ga4.sessions → sessions_all, meta_ads.impressions → impressions_paid_social).
Conversions de devises, normalisation des fuseaux horaires (tout dans le timezone de ton workspace), alignement des dates. Pas de surprises de décalage.
Chaque métrique canonique porte un score 0-100. Des données médiocres d’une API capricieuse baissent le score, et l’IA le signale au lieu de prétendre que le chiffre est solide.
Chaque valeur canonique pointe vers les lignes sources qui l’ont produite. Un clic pour voir la réponse GA4 / Meta / Stripe brute.
Les LLMs sont des pattern matchers, donne-leur un naming incohérent et ils confondront « reach » et « impressions » avec assurance. Donne-leur un schéma canonique unique et ils raisonnent proprement. C’est la fondation qui rend les questions cross-source possibles : « Quel est mon CAC blended sur tous les canaux paid ? » n’a une réponse que parce que la couche canonique sait comment combiner spend + conversions à travers les sources.
Il est publié dans nos docs, transparence totale sur ce qu’on normalise et comment.
Démarrer l’essai gratuit