Arnaud Quirin est Head of Data Science et Data Analytics chez MediaPerformances. Dans cette entreprise de 160 collaborateurs, sa direction data transverse travaille à la fois en data science et en data analytics, pour des clients internes comme externes. Ce double enjeu a des conséquences très concrètes sur l’adoption. C’est ce que nous avons exploré ensemble.
Peux-tu nous présenter MediaPerformances et ce que recouvre ton rôle ?
MediaPerformances, c’est une entreprise de 160 collaborateurs, organisée en une dizaine de directions. Nous sommes une régie retail media qui accompagne les grandes enseignes de la grande distribution avec des solutions omnicanales, à la fois digitales et en magasin.
Nous sommes très data-centriques. Nous mesurons les campagnes publicitaires avec différents types de données : du texte, de l’image, des transactions, de la qualification magasin, etc.
Je dirige l’équipe Data Science et Data Analytics. Nous sommes environ six personnes, au service des clients internes et externes de MediaPerformances.
Tu as des clients externes, les annonceurs, et des clients internes, les équipes commerciales. Comment hiérarchises-tu ces enjeux ?
En réalité, nous avons même trois clients. Les annonceurs, qui veulent faire de la publicité. Les retailers, c’est-à-dire les enseignes et les supermarchés. Et en interne, les équipes commerciales et marketing avec qui nous collaborons.
La promesse n’est pas la même pour chacun ?
Non. En externe, nous proposons du couponing avec de la mesure, des campagnes en magasin avec de la mesure, des campagnes digitales avec de la mesure. Beaucoup de mesure, donc.
En interne, l’enjeu est de faire un peu lâcher Excel aux commerciaux et de les acculturer aux outils data et IA.
Ces deux dimensions fonctionnent-elles de manière indépendante ou complémentaire ?
Elles ne sont pas indépendantes : l’une alimente l’autre. Sans les données des retailers, par exemple, impossible de définir les mesures et les potentiels de vente. Et pour monter une solution omnicanale, il faut calculer l’impact de la publicité.
Cela mobilise beaucoup d’acteurs. Le marketing doit d’abord définir l’offre, qu’elle soit déjà sur étagère ou construite sur mesure. Un service études vérifie la méthodologie de calcul. Nous achetons parfois des études à un institut externe pour réaliser les bilans de campagne. Et parfois, nous utilisons en interne la data des enseignes pour calculer la mesure nous-mêmes.
Chez vous, un rôle de data strategist fait remonter les pain points du CODIR et des managers. Comment ça fonctionne ?
Une personne de notre direction Data & Études fait le pont avec le marketing, les commerciaux et l’équipe digitale. Elle collecte leurs besoins. Elle met à plat pour nous les enjeux de timing, la significativité statistique de l’étude, la méthodologie, la faisabilité. Elle nous aide aussi beaucoup à prioriser les urgences, et c’est essentiel.
Ce n’est pas juste de la comitologie ou des réunions en plus. C’est un vrai rôle, qui nous aide vraiment. Et comme cette personne a une vision globale de tous les projets, elle assure aussi une forme de coordination de l’ensemble.
Selon toi, rien ne vaut une démo ou un prototype pour booster l’adoption. Tu as une anecdote à ce sujet ?
Nous sommes une entreprise avec une dimension RSE et environnementale très forte. Nous travaillons avec des magasins équipés de rails pour insérer les étiquettes de prix. Ces étiquettes peuvent être en métal, en plastique, électroniques. Et il faut des déplacements humains pour vérifier que les bonnes étiquettes sont posées sur les bons rails.
Notre idée : identifier directement le format de ces rails et pouvoir le vérifier à distance. Objectif : éviter les déplacements inutiles et réduire notre impact carbone.
Quand les employés posent des étiquettes, ils prennent aussi des photos pour prouver qu’ils ont bien fait leur travail. Nous nous sommes donc retrouvés avec une base de 20 000 photos, parfois de mauvaise qualité, parfois floues. L’étape suivante, c’était d’exploiter cette énorme base. Nous avons développé une IA en interne pour tout vérifier automatiquement. Elle repose sur des réseaux de neurones artificiels, qui s’inspirent du cerveau humain.
Une fois le projet terminé, nous l’avons présenté en réunion générale, devant toute l’entreprise. Avec un QR code, chacun pouvait tester l’outil en direct sur son smartphone. C’était comme un petit jeu : les collaborateurs pouvaient essayer de faire mieux que l’algorithme.
Cette démo a eu beaucoup d’impact. On voyait le potentiel de l’IA, mais aussi ses limites. Est-ce qu’elle fait beaucoup d’erreurs ? Nous avons vu que c’était variable selon les magasins et les rayons, et que la confiance de l’algorithme dans ses propres réponses variait aussi.
Quel effet cette démo a-t-elle eu sur les équipes ?
Nous avons beaucoup vulgarisé pendant cette réunion générale. Le problème, c’est que plus on vulgarise, plus les gens s’intéressent au sujet. Nous avons inspiré les équipes métiers, parfois un peu trop. Nous n’avons pas toujours la bande passante pour gérer toutes les demandes.
Mais c’est un bon problème. Cela nous a permis de collaborer avec les équipes RSE et de créer de nombreux points de contact transverses avec d’autres directions, au fil des projets. Et surtout, nous avons ouvert les chakras. Les équipes métiers ont compris qu’on ne peut pas tout demander à l’IA. Et que l’IA n’est pas une boîte noire : on peut la vulgariser et entrer à l’intérieur.
Les équipes commerciales ne sont pas forcément data, plutôt orientées résultats à court terme. Comment les embarquer sur des projets au ROI pas toujours immédiat ?
D’abord, il faut les acculturer. Ensuite, les commerciaux sont parfois eux-mêmes poussés par leurs clients à tester de nouvelles solutions, de nouvelles idées. Certains sujets sont sur étagère : là, pas de souci, nous leur donnons ce que nous avons déjà. D’autres sont testés en interne, comme l’omnicanalité, le mix entre digital et magasin.
Il arrive aussi que les clients se parlent entre eux. Un client veut la même chose qu’un autre, il le demande aux commerciaux, qui nous le font redescendre.
Tout cela nous a permis d’aider les commerciaux à mieux spécifier leurs demandes. Ils savent désormais que les études ad hoc, sur mesure, sont beaucoup plus longues, mais qu’elles peuvent apporter beaucoup plus de valeur. Et ils reviennent avec des idées beaucoup plus claires.
Autre point important : tous les clients ne sont pas uniquement orientés ROI. Certains cherchent surtout de la visibilité, de la notoriété. Les commerciaux nous remontent cette intuition et nous nous ajustons.
Qu’est-ce qui freine encore l’adoption aujourd’hui chez vous ?
Pour le moment, c’est surtout la bande passante, parce que nous avons beaucoup de sujets. Le fameux bon problème !
Une partie de mon travail consiste à gérer la frustration des métiers et de nos équipes techniques. Nous devons beaucoup expliquer le pourquoi et le comment, surtout sur le timing. Cela demande énormément de pédagogie.
Et quelle est la clé pour avancer ?
Il n’y a pas de recette miracle : c’est la priorisation. Il faut associer les métiers le plus tôt possible, en amont, pour qu’ils comprennent bien cette priorisation et qu’ils nous aident à choisir les sujets. Qu’ils deviennent acteurs des choix.
Ce que l’on retient
Derrière chaque projet data, il y a une réalité organisationnelle souvent sous-estimée. Gérer plusieurs clients à la fois, internes et externes. Construire le ROI différemment selon les interlocuteurs. Et faire de la priorisation, et de son explication, un vrai acte de communication interne.
Embarquer les métiers, communiquer autour des choix data, acculturer les équipes : c’est précisément ce que nous accompagnons chez Datalogy, à travers nos piliers pédagogie, communication, change et influence. Si ces sujets résonnent pour vous, parlons-en.
Merci Arnaud pour ce retour d’expérience très concret.
