Dans le premier article, nous avons suivi un clic Instagram jusqu'à l'achat : fbclid, _fbc, Pixel, conversion.
Sur un schéma, la mécanique paraît simple. En production, entre la transaction et l'événement exploitable par Meta se trouvent le navigateur, le backend, le warehouse, les transformations, les retries, la déduplication et le monitoring.
La croyance dangereuse est qu'un pipeline sans erreur est un pipeline correct. Un système peut afficher 100 % de jobs réussis tout en supprimant silencieusement la majorité des nouveaux clients.
Le vrai objectif n'est donc pas « envoyer des événements à une API ». Il est de garantir qu'une représentation fidèle, complète et suffisamment rapide de la population business atteint la plateforme.
Repartir de l'événement métier
Une transaction contient d'abord des faits business :
order_id = 92841
customer_id = 84927
event_time = 2026-09-18 14:32:04 UTC
revenue = 120
currency = EURLe pipeline doit transformer ce fait en événement publicitaire :
Transaction
↓
Construction de l'événement
↓
Enrichissement des signaux de matching
↓
Validation
↓
Envoi à MetaCette séparation est essentielle. La transaction reste la source de vérité ; le payload Meta est une projection destinée à un usage précis.
Browser-side et server-side sont complémentaires
Le Pixel observe ce qui se passe dans le navigateur. La Conversions API transmet des événements depuis l'infrastructure de l'entreprise. Les deux canaux peuvent décrire le même achat :
PURCHASE
│
┌──────────┴──────────┐
▼ ▼
Browser Server
Meta Pixel CAPI
│ │
└──────────┬──────────┘
▼
METACette redondance augmente la résilience, mais crée une contrainte : ne pas compter deux fois le même événement métier.
Une transaction doit avoir une identité stable
Alice achète une fois. Le Pixel et CAPI envoient pourtant chacun un message.
Pixel → Purchase / event_id = purchase_92841
CAPI → Purchase / event_id = purchase_92841Les deux transmissions doivent utiliser un event_name et un event_id cohérents pour permettre la déduplication. Un UUID aléatoire généré indépendamment à chaque tentative détruirait cette cohérence.
Une clé dérivée de l'événement business est plus robuste :
event_id = purchase_<order_id>Le principe dépasse Meta : l'identité d'un événement distribué doit être déterministe et stable.
Exactement-once est une promesse fragile
Le pipeline envoie l'achat, puis rencontre un timeout. Meta a-t-il reçu la requête avant la coupure ? Le client ne le sait pas.
Il doit réessayer. Sans idempotence, un incident réseau transforme un achat en plusieurs messages distincts.
Le pattern réaliste est :
At-least-once delivery
+
stable event identity
+
idempotence et déduplicationCela permet de tolérer les retries sans espérer qu'ils ne se produiront jamais.
Séparer l'événement, sa valeur et le matching
Un payload mélange souvent trois dimensions :
| Dimension | Exemples | Question |
|---|---|---|
| Événement métier | event_name, event_time, event_id | Que s'est-il passé ? |
| Valeur | value, currency | Quelle valeur attribuer à l'événement ? |
| Matching | fbc, fbp, identifiants autorisés | Quels signaux permettent le rapprochement ? |
Cette séparation structure le monitoring. Une transaction peut être livrée avec la bonne valeur mais sans signal de clic ; elle peut aussi être bien matchée mais envoyée deux fois.
Une réponse 200 ne prouve rien sur la population
Imaginons :
Disponibilité API 99,99 %
Jobs réussis 100,00 %
Achats éligibles 10 000
Achats envoyés 9 800Le volume paraît rassurant. Regardons maintenant la composition :
| Population | Source | Feed Meta |
|---|---|---|
| Premières commandes | 5 000 | 300 |
| Renouvellements | 5 000 | 9 500 |
Le pipeline fonctionne techniquement, mais il n'envoie plus la population attendue. Le volume total masque un population shift.
Ce cas est particulièrement dangereux lorsque les premières commandes alimentent l'acquisition et que les renouvellements portent rarement un clic publicitaire récent.
Comment un filtre temporel perd des données
Supposons qu'un job s'exécute chaque jour à 06:00 UTC avec ce filtre :
WHERE DATE(publish_time) = CURRENT_DATE()À 06:00, il sélectionne uniquement les événements publiés entre minuit et six heures. Ceux de 06:01 à 23:59 n'existent pas encore. Le lendemain, CURRENT_DATE() a changé : ils ne seront jamais repris.
Si les renouvellements sont traités la nuit et les nouvelles commandes toute la journée, le bug ne crée pas seulement une perte de volume. Il modifie la population :
Nuit → renouvellements → conservés
Jour → nouveaux clients → perdusLe taux global de fbc peut alors s'effondrer. La conclusion immédiate — « le cookie est cassé » — serait fausse. Le cookie n'a pas disparu ; les utilisateurs qui avaient le plus de chances de le porter ont été filtrés.
La fenêtre glissante corrige une perte et crée des doublons
Une correction naïve consiste à relire les deux derniers jours :
WHERE publish_time >= CURRENT_TIMESTAMP() - INTERVAL '2 days'Les événements tardifs sont récupérés, mais la fenêtre de mardi et celle de mercredi se chevauchent. Un simple INSERT reproduit les achats présents dans les deux exécutions.
Le pattern robuste combine :
Watermark
+ lookback pour les événements tardifs
+ event_id stable
+ MERGE / déduplication
+ retries idempotentsLe watermark représente la dernière frontière traitée avec succès. Le lookback accepte que certaines données arrivent tard. L'idempotence rend le chevauchement sûr.
Monitorer le funnel, pas seulement le job
Une architecture observable compare chaque étape :
RAW PURCHASES
↓
ELIGIBLE PURCHASES
↓
EVENTS GENERATED
↓
EVENTS SENT
↓
EVENTS ACCEPTED
↓
MATCHING SIGNALS AVAILABLEQuatre familles de métriques sont nécessaires.
Livraison
eligible_events,generated_events,sent_events,accepted_events;- taux de livraison et latence ;
- événements en retard ou définitivement échoués.
Population
- part de nouveaux et anciens clients ;
- premières commandes et renouvellements ;
- produit, pays, canal ou autre segment déterminant.
Matching
- couverture
fbcetfbp; - couverture des identifiants first-party autorisés ;
- évolution par type d'événement plutôt qu'un taux global.
Intégrité
- doublons ;
- identifiants, valeurs ou devises manquants ;
- distribution de la valeur ;
- écarts entre source, staging et feed final.
Les contrôles les plus utiles sont souvent des invariants métier. Si le taux de livraison des premières commandes passe de 95 % à 3 %, le pipeline doit alerter même si aucune exception n'a été levée.
Le pipeline est une partie du système de décision
Un pipeline de conversion n'est pas une plomberie neutre. Il détermine ce que la plateforme peut observer et donc le feedback disponible pour ses décisions de diffusion.
Cette responsabilité devient encore plus forte lorsqu'on remplace la valeur immédiate de la première commande par une estimation de valeur future. Un modèle pLTV peut produire des prédictions pour 99 % des nouveaux clients ; si le pipeline n'en livre que 3 %, la plateforme ne teste presque rien.
Le troisième article montre comment fermer cette boucle et vérifier causalement qu'elle crée de la valeur : Optimiser Meta sur la Lifetime Value : du modèle pLTV à l'expérimentation.
Un pipeline fiable ne se contente pas de tourner. Il prouve que la bonne donnée, sur la bonne population, a traversé le système.
À propos de l'auteur

Cyril Noirot
Lead Data Scientist
Data scientist freelance. Je conçois et déploie des systèmes de décision — prévision, pricing, marketing measurement, optimisation.