Combien coûte un data warehouse et une stack data en 2026 ? Build + coût récurrent

Demandez un devis data à trois prestataires différents. Vous obtiendrez trois fourchettes sans rapport entre elles. Pourquoi ? Parce que « projet data » recouvre des réalités très différentes : nettoyer des données dans un tableur ou construire une architecture analytique multi-sources, ce n’est pas le même sujet.

Le vrai problème des devis data, c’est qu’ils mélangent collecte, stockage, reporting, IA et maintenance dans une seule ligne. Impossible de comparer ce qui est comparable. Dans cet article : des fourchettes réalistes par type de projet, les quatre variables qui expliquent l’essentiel des écarts de prix, et trois exemples chiffrés tirés de projets réels.

Les 5 types de projets data et leurs fourchettes de prix en 2026

Un audit de quelques jours n’a rien à voir avec la mise en place d’un data warehouse. Voici les budgets observés cette année selon le type de mission.

Audit data : le meilleur investissement si vous partez de zéro

L’audit sert à comprendre où sont vos données, dans quel état elles se trouvent, et ce qu’il est réaliste de construire ensuite. C’est souvent le point d’entrée le plus rentable, surtout quand l’entreprise accumule plusieurs outils, peu de documentation et aucune vision claire sur les priorités.

Le prix dépend du nombre de sources à analyser et de la qualité des échanges avec les équipes métier. Un audit coûte moins cher quand les flux existent déjà et que les interlocuteurs savent expliquer leurs besoins sans deux semaines de réunions.

Coût d’un pipeline de données : ce qui fait monter la facture

Le pipeline de données couvre l’extraction, la transformation et le chargement entre vos outils métier et votre stockage analytique. C’est ce qui permet d’arrêter les exports CSV manuels.

Le prix grimpe vite dès qu’il faut connecter plusieurs API, traiter des données incomplètes ou implémenter une logique métier non triviale. Un pipeline simple entre deux outils bien documentés, c’est une tout autre histoire.

Prix d’un dashboard BI

Suivre vos KPIs de vente, marge, acquisition ou support, c’est la partie la plus visible d’un projet data, rarement la plus complexe techniquement.

Ce qui fait varier le budget n’est pas l’outil choisi. C’est la qualité du modèle de données derrière. Un dashboard Metabase branché sur des tables propres coûte bien moins cher que le même dashboard construit sur des données incohérentes. La technologie est rarement le problème.

Data warehouse : combien ça coûte vraiment de centraliser ses données ?

Mettre en place un data warehouse, c’est centraliser les données de plusieurs outils dans une architecture pensée pour l’analyse. Le bon choix quand les équipes dépendent fortement du reporting ou quand plusieurs départements ont besoin d’une source commune.

Le coût dépend de la stack, du volume, du besoin de modélisation et du niveau d’industrialisation. Un entrepôt léger sur BigQuery peut être opérationnel en quelques semaines. Une architecture avec gouvernance, historisation et modèles métiers avancés, c’est un autre budget. Si vous hésitez justement sur la couche de restitution, voir notre comparatif Cube.dev vs Tableau : faut-il vraiment migrer ?.

Prix d’une intégration IA sur données internes : le cas le plus demandé, le plus mal cadré

Connecter un modèle à vos données internes pour automatiser une tâche, assister un collaborateur ou produire des recommandations, c’est le sujet le plus demandé en 2026. Et le plus souvent mal défini au départ.

Le prix varie selon la complexité du cas d’usage, la sensibilité des données et le niveau de personnalisation. Un assistant connecté à une base documentaire coûte bien moins cher qu’un agent IA branché à un ERP avec logique métier, contrôle des droits et supervision humaine. Si c’est ce volet qui vous intéresse, on détaille les budgets dans notre article dédié au coût d’un projet IA en entreprise.

Pourquoi deux devis data peuvent différer du simple au triple

Il existe des dizaines de facteurs, mais quatre variables expliquent l’essentiel des écarts entre deux devis.

1. L’état de vos données : la variable la moins visible

C’est la plus sous-estimée. Si vos données sont réparties dans six outils, non documentées, parfois dupliquées ou partiellement corrompues, le travail de nettoyage et de modélisation peut facilement doubler le temps de projet.

Une entreprise qui démarre avec des sources stables, des champs cohérents et des conventions de nommage partagées a un avantage énorme. Deux projets qui semblent identiques sur le papier peuvent avoir des coûts très différents pour cette seule raison.

2. Agence data ou freelance : ce que ça change sur le prix

Un freelance senior facture entre 450 et 700 €/jour. Une agence facture entre 700 et 1 200 €/jour selon les profils mobilisés.

L’agence apporte de la continuité et plusieurs compétences en parallèle : data engineering, analytics, DevOps. Le freelance est plus agile et moins cher si le besoin est bien cadré et si vous avez quelqu’un en interne pour piloter le projet. Le problème, c’est que c’est rarement le cas.

3. Le choix de la stack technique

La technologie n’est pas neutre sur le budget. Un dashboard Metabase connecté à un BigQuery déjà en place coûte souvent trois fois moins cher qu’une architecture Snowflake + dbt + Looker montée from scratch.

La bonne stack n’est pas la plus ambitieuse, c’est celle qui correspond au niveau de maturité de l’entreprise, au volume de données et aux usages à court terme. Une stack surdimensionnée coûte plus cher à déployer, et encore plus cher à maintenir.

4. La maintenance : ce qui n’est jamais écrit dans le devis

La plupart des devis présentent un prix de livraison. Ils ne précisent pas ce qui se passe après : incidents sur un connecteur, changement d’API, nouveaux dashboards demandés par les équipes, évolution du schéma.

Un projet data sans cadre de maintenance clair n’est pas moins cher. Il reporte simplement le coût. Vérifiez toujours si le prix inclut une période de support, une documentation réellement exploitable et un minimum de réversibilité.

3 exemples concrets de projets data et leurs budgets réels

Les fourchettes sont utiles. Les exemples réels sont plus parlants.

Exemple 1 ; Startup SaaS B2B, 40 salariés : 18 000 € pour un data warehouse complet

Centraliser les données Hubspot et Stripe dans un data warehouse, puis construire trois dashboards pour l’équipe Customer Success. Stack retenue : BigQuery, dbt, Metabase.

Budget : 18 000 € ; durée : 6 semaines. La partie la plus longue n’a pas été la construction des dashboards, mais la modélisation des données clients et partenaires. Tant que cette base n’était pas propre, les indicateurs restaient discutables.

Exemple 2 ; Chaîne de restauration, 80 points de vente : 12 000 € pour de l’analytique terrain

Analyser les performances commerciales par point de vente et par produit, identifier des patterns pour orienter les recommandations. Stack existante : PostgreSQL, Python, dashboard interne.

Budget : 12 000 € ; durée : 4 semaines. Le sujet le plus sous-estimé : la qualité hétérogène des logs selon les franchisés. La stack était simple. Le travail de fiabilisation a pris une place que personne n’avait anticipée.

Exemple 3 ; PME industrielle avec ERP propriétaire : 8 000 € pour connecter l’IA au métier

Connecter un ERP à un agent IA pour automatiser la création de devis depuis des emails clients. Stack : serveur MCP sur mesure + Claude.

Budget : 8 000 € ; durée : 3 semaines. La bonne surprise : la rapidité de déploiement une fois l’API de l’ERP correctement documentée. Le vrai accélérateur n’a pas été l’IA, c’est la qualité de la documentation technique en amont.

Le coût qu’on oublie : ce qu’une stack data coûte chaque mois

Les fourchettes ci-dessus chiffrent le build : ce que vous payez une fois pour construire l’architecture. Mais un data warehouse, ce n’est pas un site qu’on livre et qu’on oublie. C’est une infrastructure qui tourne, consomme et facture chaque mois. La plupart des entreprises découvrent ce coût récurrent après la signature, quand la première facture cloud arrive.

Une stack data moderne se paie sur trois postes : l’entrepôt (stockage et calcul), l’ingestion des données, et la transformation plus la restitution. Voici les ordres de grandeur observés en 2026.

L’entrepôt : BigQuery ou Snowflake, deux logiques de facturation

BigQuery facture surtout ce que vos requêtes scannent : autour de 6 $ par téraoctet analysé, avec le premier téraoctet gratuit chaque mois. Pour une PME qui interroge des volumes modestes, la facture compute peut rester quasi nulle. Le piège, c’est la requête mal optimisée qui scanne une table entière à chaque rafraîchissement de dashboard : elle peut coûter dix à cent fois plus que nécessaire.

Snowflake fonctionne autrement : vous payez du temps de calcul en crédits (environ 2 à 4 $ le crédit selon l’édition et la région) et le stockage à part. Le réglage le plus important n’est pas technique mais financier : l’auto-suspend. Un entrepôt qui reste « chaud » dix minutes après la dernière requête, c’est dix minutes facturées pour rien. Passé à une minute sur les traitements automatisés, la facture change du tout au tout.

En pratique, sur des factures réelles : une jeune startup avec un ou deux analystes tourne souvent entre 300 et 1 000 $ par mois d’entrepôt. À ce stade, BigQuery est presque toujours moins cher, parce que le volume de requêtes est faible et imprévisible. La facture grimpe avec le nombre de dashboards rafraîchis en continu et le nombre de personnes qui interrogent la donnée.

L’ingestion : le poste qui dérape sans prévenir

Connecter vos outils métier à l’entrepôt, c’est le rôle d’un Fivetran, d’un Airbyte ou d’un connecteur sur mesure. Fivetran facture au volume de lignes modifiées chaque mois (les « Monthly Active Rows »). C’est commode au démarrage, et c’est exactement ce qui explose quand vos volumes augmentent. Les contrats observés vont d’environ 15 000 $ par an pour des petits volumes à bien plus dès que les connecteurs premium (Salesforce, NetSuite) s’accumulent.

L’alternative, c’est Airbyte open source ou des connecteurs maison : vous ne payez plus la ligne, vous payez l’infrastructure et le temps de maintenance. Le bon arbitrage dépend du nombre de sources et de votre capacité à opérer la stack en interne. Une règle simple : tant que les volumes sont modérés et les sources nombreuses, le managé se défend ; dès que les volumes explosent, le coût à la ligne devient le premier poste à surveiller.

Transformation et BI : des abonnements par siège

La transformation (dbt) et la restitution (Metabase, Looker, Tableau) se facturent le plus souvent au siège. dbt Cloud démarre autour de 100 $ par utilisateur et par mois ; dbt Core reste gratuit mais demande votre propre orchestration. Côté BI, l’écart est large : un Metabase open source auto-hébergé coûte surtout du temps serveur, là où un Looker ou un Tableau se chiffrent vite en milliers d’euros par an pour une équipe.

Le réflexe utile : ces coûts par siège grimpent avec l’équipe, pas avec la donnée. Multiplier les accès Tableau « pour que tout le monde voie les chiffres » est une décision budgétaire, pas une décision technique. Si la facture Tableau devient un sujet, on compare les alternatives dans notre article Cube.dev vs Tableau.

Combien prévoir par mois ? Trois repères 2026

Ces montants ne sont pas une fatalité. Ils dépendent presque entièrement de trois décisions prises au démarrage : le réglage des entrepôts (auto-suspend, requêtes plafonnées), le modèle de facturation de l’ingestion, et le nombre de sièges réellement nécessaires. Une stack bien réglée pour une PME tient souvent sous 2 000 € par mois. La même stack mal réglée peut coûter trois fois plus pour le même usage.

C’est le vrai sujet d’un budget data : pas seulement « combien coûte la construction », mais « combien ça coûtera de faire tourner ça dans douze mois ». Un prestataire sérieux chiffre les deux, et vous montre comment garder la main sur la facture récurrente.

Comment obtenir un devis data fiable ?

Un devis data n’a de valeur que s’il repose sur un périmètre clair. Tant que le besoin reste flou, n’importe quel chiffre est plausible, et donc inutile. Voici les éléments à réunir avant de demander un prix, pour obtenir un devis que vous pourrez vraiment comparer d’un prestataire à l’autre.

• La liste de vos sources de données : quels outils, quels volumes, quelle fraîcheur attendue ?
• L’usage final : un dashboard, un export automatisé, une base pour de l’IA ? Le livrable change tout.
• Qui consommera les données et à quelle fréquence ?
• Ce qui est inclus après la livraison : support, documentation, transfert de compétences.
• Ce que vous voulez pouvoir reprendre en interne un jour, pour ne pas dépendre éternellement du prestataire.

Si vous ne savez pas encore répondre à ces questions, c’est normal, et c’est précisément le rôle d’un audit data ou d’une phase de cadrage : transformer un besoin vague en périmètre chiffrable. C’est exactement l’objet de Fenxi Compass, notre diagnostic data en 2 semaines : un état des lieux, des opportunités chiffrées et une feuille de route, avant tout investissement. C’est presque toujours l’investissement le plus rentable au démarrage.

Quel budget prévoir pour un projet data en 2026 ?

Trois repères simples pour calibrer rapidement.

Petit projet data : 3 000 € à 10 000 € Audit, dashboard BI ou connecteur simple entre deux outils. Le périmètre doit être clair, les données accessibles, les intervenants peu nombreux.

Projet data structurant : 10 000 € à 30 000 € Pipeline, modélisation propre, centralisation multi-sources, BI sérieuse. C’est l’ordre de grandeur pour une PME ou une startup qui veut construire un socle fiable.

Projet data avancé ou intégration IA : 30 000 € à 60 000 € et plus Architectures complètes, multi-outils, gouvernance, intégrations IA avec logique métier. Le budget monte encore si la sécurité, la conformité ou la maintenance sont critiques.

Conclusion

Le prix d’un projet data dépend moins du mot dans le devis que du problème réel à résoudre. Un dashboard, un pipeline, un data warehouse ou une intégration IA ne demandent ni le même effort, ni les mêmes compétences, ni les mêmes fondations.

La meilleure façon d’obtenir un budget réaliste : cadrer le besoin en amont, évaluer honnêtement l’état de vos données, distinguer ce qui relève du build, du support et de la maintenance.

Parlons de votre projet

Vous avez un projet data, BI ou IA et vous voulez savoir ce qu’il faut vraiment budgéter ? Chez Fenxi, on cadre, conçoit et livre des projets data adaptés à votre niveau de maturité, sans surdimensionner la stack ni le budget. Le meilleur point de départ reste souvent notre diagnostic Compass, ou décrivez-nous directement votre situation en deux lignes. Parlons de votre projet →