> ## Documentation Index
> Fetch the complete documentation index at: https://docs.topsort.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Migration des données historiques

> Migration des données de performance historiques pour résoudre le problème de démarrage à froid lors de la transition de plateforme

export const LastUpdatedFr = ({date}) => {
  const label = "Dernière mise à jour:";
  return <>
      <style>{`
        .last-updated-component {
          display: inline-flex;
          align-items: center;
          gap: 8px;
          padding: 10px 16px;
          border-radius: 8px;
          margin-top: 12px;
          margin-bottom: 16px;
          font-size: 14px;
          background-color: rgba(0, 0, 0, 0.05);
          border: 1px solid rgba(0, 0, 0, 0.12);
          color: rgba(0, 0, 0, 0.75);
          line-height: 1;
        }

        .last-updated-component svg {
          flex-shrink: 0;
          vertical-align: middle;
        }

        .last-updated-component span {
          display: inline-flex !important;
          align-items: center !important;
          line-height: 1 !important;
        }

        [data-theme="dark"] .last-updated-component {
          background-color: #3a3a3a;
          border: 2px solid #888888;
          color: #ffffff;
        }

        [data-theme="dark"] .last-updated-component svg {
          stroke: #ffffff;
        }
      `}</style>
      <div className="last-updated-component">
        <svg width="16" height="16" viewBox="0 0 24 24" fill="none" stroke="currentColor" strokeWidth="2" strokeLinecap="round" strokeLinejoin="round">
          <circle cx="12" cy="12" r="10" />
          <polyline points="12 6 12 12 16 14" />
        </svg>
        <span>
          <strong style={{
    fontWeight: 600
  }}>{label}</strong> 
          <time dateTime={date}>{date}</time>
        </span>
      </div>
    </>;
};

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  La migration des données historiques est le processus de transfert des métriques de performance et des données d'événements de la plateforme publicitaire précédente d'un client pour accélérer les modèles d'apprentissage automatique de Topsort et réduire la période d'apprentissage initiale lors de la transition de plateforme.
</div>

## Problème

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  Lorsque les clients migrent vers Topsort, leurs campagnes font face à un **problème de démarrage à froid** où :
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * **Aucun historique de performance** : Les nouvelles campagnes démarrent sans aucune donnée de performance historique
  * **Période d'apprentissage** : Les modèles d'apprentissage automatique nécessitent 1 à 4 semaines pour accumuler suffisamment de données pour l'optimisation
  * **Performance sous-optimale** : Pendant le démarrage à froid, les campagnes peuvent sous-performer en raison du manque de données d'entraînement
  * **Frustration des annonceurs** : Les annonceurs peuvent constater une efficacité réduite des campagnes pendant les premières semaines
</div>

<Note>
  Alors que la [migration de campagne](/fr/knowledge-base/ad-platform/campaign-migration/)
  gère la structure et les paramètres de la campagne, la migration des données historiques
  traite spécifiquement les données de performance pour accélérer l'entraînement et
  l'optimisation des modèles.
</Note>

## Solution

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  Nous fournissons une **solution d'ingestion de données historiques** qui importe les métriques de performance et les données d'événements de la plateforme précédente du client. Ces données servent de matériel d'entraînement initial pour les modèles d'apprentissage automatique de Topsort, réduisant considérablement la période de démarrage à froid.
</div>

### Comment les données historiques aident

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Accélération de l'entraînement du modèle :**
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * Fournit des données d'entraînement immédiates pour les algorithmes d'apprentissage automatique
  * Réduit la période de démarrage à froid de 4 semaines à 1-2 semaines
  * Permet une optimisation plus rapide des campagnes et des décisions d'enchères
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Continuité de la performance :**
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * Les campagnes peuvent tirer parti des modèles de performance historiques
  * Meilleures recommandations d'enchères initiales basées sur les données passées
  * Amélioration des décisions de ciblage à partir du comportement historique des utilisateurs
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Réduction des risques :**
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * Minimise la baisse de performance pendant la transition de plateforme
  * Maintient la confiance des annonceurs avec des niveaux de performance familiers
  * Fournit des métriques de référence pour la comparaison et l'optimisation
</div>

### Implémentation technique

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  Notre intégration de données historiques :
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * **Ingère les données d'événements** y compris les impressions organiques, les clics et les achats
  * **Traite les métriques de performance** au niveau de la campagne, du produit et de l'utilisateur
  * **Entraîne les modèles initiaux** en utilisant les données historiques importées avant la mise en production
  * **Calibre les algorithmes** pendant l'opération initiale pour une performance optimale
  * **Met à jour les embeddings** pour les utilisateurs, les produits et les emplacements basés sur les modèles historiques
</div>

## Processus de migration

<Steps>
  <Step title="Évaluation des données et définition de la portée">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      **Évaluer la disponibilité des données historiques**
    </div>

    * Évaluer quelles données de performance sont disponibles depuis la plateforme précédente
    * Déterminer la qualité et l'exhaustivité des données
    * Définir la plage temporelle pour les données historiques (généralement 3 à 6 mois)
    * Identifier les métriques clés qui s'alignent avec le suivi de Topsort

    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
       
    </div>
  </Step>

  <Step title="Export et préparation des données">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      **Types de données historiques requis :**
    </div>

    * Métriques de performance des campagnes (impressions, clics, conversions, dépenses)
    * Données de performance au niveau du produit (taux de clics, taux de conversion)
    * Événements de comportement des utilisateurs (recherches, vues, achats)
    * Modèles de trafic organique et tendances saisonnières
    * Historique d'utilisation des enchères et du budget

    <Note>
      Toutes les données historiques doivent respecter les réglementations sur la confidentialité. Les données au niveau de l'utilisateur
      doivent être anonymisées ou agrégées si requis par les lois locales sur la confidentialité.
    </Note>
  </Step>

  <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
     
  </div>

  <Step title="Validation et traitement des données">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      **Étapes d'assurance qualité :**
    </div>

    * Valider l'exhaustivité et l'exactitude des données
    * Normaliser les métriques pour correspondre au schéma de données de Topsort
    * Nettoyer et traiter les données pour l'entraînement du modèle
    * Identifier et gérer les anomalies ou valeurs aberrantes des données

    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
       
    </div>
  </Step>

  <Step title="Entraînement et calibration du modèle">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      **Processus d'entraînement initial :**
    </div>

    * Importer les données historiques dans le pipeline d'entraînement de Topsort
    * Entraîner les modèles d'apprentissage automatique initiaux en utilisant les modèles historiques
    * Calibrer les algorithmes pour une performance optimale
    * Valider la précision du modèle par rapport aux résultats historiques connus

    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
       
    </div>
  </Step>

  <Step title="Déploiement en production et surveillance">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      **Processus de mise en production :**
    </div>

    * Déployer les modèles entraînés dans l'environnement de production
    * Surveiller la performance initiale par rapport aux références historiques
    * Affiner les algorithmes en fonction des nouvelles données en temps réel
    * Passer progressivement de l'optimisation basée sur les données historiques aux données en temps réel
  </Step>
</Steps>

## Exigences de données

### Métriques de performance requises

| Catégorie de métrique          | Champs requis                                                               | Format d'exemple                                            |
| ------------------------------ | --------------------------------------------------------------------------- | ----------------------------------------------------------- |
| **Performance de la campagne** | campaign\_id, date, impressions, clicks, conversions, spend                 | `campaign-123, 2024-01-15, 1000, 50, 5, 25.00`              |
| **Performance du produit**     | product\_id, campaign\_id, date, impressions, clicks, ctr, conversion\_rate | `prod-456, campaign-123, 2024-01-15, 100, 10, 0.10, 0.02`   |
| **Événements utilisateur**     | user\_id (anonymisé), event\_type, product\_id, timestamp, value            | `user-789, purchase, prod-456, 2024-01-15T10:30:00Z, 49.99` |
| **Trafic organique**           | product\_id, date, organic\_impressions, organic\_clicks, search\_terms     | `prod-456, 2024-01-15, 500, 25, "summer shoes"`             |

### Exemples de format CSV

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Données de performance de la campagne :**
</div>

```csv theme={null}
campaign_id,date,impressions,clicks,conversions,spend,ctr,conversion_rate
campaign-123,2024-01-15,1000,50,5,25.00,0.05,0.10
campaign-124,2024-01-15,800,40,3,20.00,0.05,0.075
```

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Données de performance du produit :**
</div>

```csv theme={null}
product_id,campaign_id,date,impressions,clicks,conversions,revenue
prod-456,campaign-123,2024-01-15,100,10,2,49.98
prod-457,campaign-123,2024-01-15,150,8,1,24.99
```

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Données d'événements utilisateur :**
</div>

```csv theme={null}
user_id,event_type,product_id,timestamp,value,campaign_id
user-789,view,prod-456,2024-01-15T10:00:00Z,,
user-789,click,prod-456,2024-01-15T10:05:00Z,,campaign-123
user-789,purchase,prod-456,2024-01-15T10:30:00Z,49.99,campaign-123
```

## Processus d'entraînement du modèle

### Entraînement d'intégration

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Traitement initial des données :**
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * Les données d'événements historiques sont intégrées dans les pipelines d'entraînement
  * Les modèles sont entraînés en utilisant 3 à 6 mois de données de performance historiques
  * Les embeddings initiaux sont créés pour les utilisateurs, les produits et les campagnes
  * Les prédictions de performance de référence sont établies
</div>

### Optimisation continue

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Apprentissage continu :**
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * **Mises à jour quotidiennes** : Les embeddings de recherche d'ID sont mis à jour avec de nouvelles données
  * **Réentraînement hebdomadaire** : Réentraînement complet du modèle intégrant à la fois les données historiques et nouvelles
  * **Adaptation en temps réel** : Les embeddings de comportement des utilisateurs sont mis à jour en continu
  * **Surveillance de la performance** : Comparaison de la performance historique par rapport à la performance actuelle
</div>

<Tip>
  La combinaison de données historiques et d'apprentissage en temps réel atteint généralement
  une performance optimale en 2 à 3 semaines, comparé à 4 à 6 semaines avec un démarrage à froid
  seul.
</Tip>

## Métriques de succès

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  Le succès de la migration des données historiques est mesuré par :
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * **Période de démarrage à froid réduite** : Temps d'apprentissage diminué de 4 semaines à 1-2 semaines
  * **Continuité de la performance** : Performance de la campagne à 10-15% des niveaux historiques dès le premier jour
  * **Précision du modèle** : Précision de prédiction améliorée de 20-30% par rapport aux scénarios de démarrage à froid
  * **Satisfaction des annonceurs** : Confiance des annonceurs maintenue ou améliorée pendant la transition
</div>

## Intégration avec la migration de campagne

### Processus complémentaires

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  La migration des données historiques fonctionne en parallèle avec la [migration de campagne](/fr/knowledge-base/ad-platform/campaign-migration/) :
</div>

1. **Structure de la campagne** : La migration de campagne de base gère les paramètres, les budgets et le ciblage
2. **Données de performance** : La migration des données historiques fournit la base de performance
3. **Avantage combiné** : Ensemble, ils garantissent à la fois des campagnes fonctionnelles et une performance optimisée dès le premier jour

### Séquence recommandée

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  1. Complétez d'abord la [migration de campagne](/fr/knowledge-base/ad-platform/campaign-migration/) pour établir la structure de la campagne
  2. Exécutez la migration des données historiques en parallèle pendant la phase de test
  3. Déployez simultanément la structure de la campagne et les modèles entraînés
  4. Surveillez la performance par rapport aux références historiques
</div>

<Warning>
  La migration des données historiques nécessite une coordination technique supplémentaire et peut
  prolonger le calendrier global de migration de 1 à 2 semaines pour l'entraînement et la
  validation des modèles.
</Warning>

## Prochaines étapes

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  Pour les clients intéressés par la migration des données historiques :
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  1. **Évaluez la disponibilité des données** de votre plateforme actuelle
  2. **Coordonnez les équipes techniques** pour discuter des exigences en matière de données historiques
  3. **Planifiez l'extraction des données** en parallèle du calendrier de migration de la campagne
  4. **Coordonnez avec l'équipe d'apprentissage automatique** pour les exigences d'entraînement des modèles
</div>

***

<LastUpdatedFr date="2025-11-18" />