Bienvenue dans l’édition #161 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur le fonctionnement de l’équipe Research Science chez Meta
🎙 Le podcast avec Alexandra, Research Scientist chez Meta
📚 Les ressources recommandées par Alexandra
🎙 Comment automatiser ses développements Data & Analytics avec des agents IA

C’est parti !

🔍 Zoom sur le fonctionnement de l’équipe Research Science chez Meta - 3 min

Ce zoom est tiré de mon échange avec Alexandra, Research Scientist Applied Artificial Intelligence chez Meta dans la Silicon Valley.

Son parcours avant de rejoindre Meta

Après une prépa à Paris, Alexandra a intégré CentraleSupelec avant de faire un double diplôme à l’Université d’Oxford en Angleterre, spécialisé en Machine Learning.

Elle a commencé sa carrière à Londres en startup en tant qu’ML Engineer puis Senior Data Scientist et est devenue rapidement Head of Research.

En 2019, elle a rejoint Meta en tant que Research Scientist à Londres et en 2022, elle a rejoint le bureau de San Francisco.

Après 7 ans chez Meta, Alexandra nous partage son retour d’expérience.

Les 3 grandes équipes tech et IA chez Meta

1) Les équipes Produit

On y retrouve des ML Engineers, Software Engineers, Data Scientists, Data Engineers etc. Ils ont la responsabilité d’un produit de la boîte (ex : engin de recommandation).

Ces équipes se concentrent plutôt sur les enjeux et les optimisations à court-terme.

2) Les équipes de Recherche Appliquée (dont fait partie Alexandra)

Elles travaillent sur une timeline plus long-terme pour développer des solutions qui seront ensuite mises en place par les équipes Produit.

“Par exemple, une équipe produit a besoin d’un algorithme plus puissant, elles va faire appel à une équipes de recherche en interne comme la mienne.”

Il y a 2 approches :

• Deep Collaboration : ils se concentrent sur le problème d’une seule équipe Produit et proposent une solution un peu comme une équipe de conseil.

• Platform : lorsque plusieurs équipes Produit partagent un même problème fondamental en maths, en stats, en ML ou en IA, ils vont proposer une solution générique qui va résoudre ce problème.

“Par exemple, on va créer une plateforme qui peut être aussi simple qu’un package Python. Les équipes Produit pourront importer la librairie qui intègre toute la recherche qu’on a développé.”

3) Les équipes de Recherche pure (comme FAIR)

Ils fonctionnent comme des Laboratoires de Recherche qu’on retrouve en milieu académique. Les chercheurs utilisent des bases de données externes, se confrontent à des problèmes beaucoup plus abstraits et plus long-terme.

“Leur objectif n’est pas forcément que leurs projets soient appliqués par les équipes Produit mais plutôt de faire avancer la recherche.”

Une culture data-driven extrêmement forte

La culture data-driven chez Meta repose sur 3 éléments concrets.

1) Une infrastructure de test solide

Depuis le premier jour, Mark Zuckerberg a construit Meta sur une conviction : tout doit être testable. Chaque bouton, chaque fonctionnalité peut faire l’objet d’un A/B test, et chaque ingénieur peut lancer un test de manière autonome.

“Tu as vraiment une culture du test très forte et l’infrastructure qui va avec. Chaque ingénieur peut réalises ses A/B tests pour décider si les implémentations qu’il a créées sont productives sur la métrique qu’il veut optimiser.”

2) Un alignement sur les métriques à optimiser

Dans chaque équipe Produit, il y a un Data Scientist qui a une mission précise : définir une seule métrique à optimiser. Un seul chiffre. Si ça monte, tout le monde est content. Si ça descend, il faut réagir.

“Pour les ingénieurs de l’équipe, c’est beaucoup plus facile d’avoir un chiffre à optimiser plutôt que 10. Le Data Scientist s’assure que si ce nombre monte, c’est bénéfique sur le revenu général de la boîte à terme.”

3) Une concentration de profils techniques

Tous les profils sont très techniques, y compris les Product Managers, et parlent la même langue.

“Les décisions s’appuient toujours sur la donnée et des arguments scientifiques. Les discussions se concentrent sur le fond des sujets plutôt que sur un tel a dit ça donc il faut le faire.”

🎙 Le podcast avec Alexandra, Research Scientist chez Meta

On aborde :

• Le parcours d’Alexandra (cf. zoom)

• Les 3 grandes équipes tech et IA chez Meta (cf. zoom)

• Le quotidien d’un Research Scientist : choix des sujets, responsabilités

• La culture data-driven de Meta (cf. zoom)

• L’adoption de l’IA en interne

• Les plus grosses difficultés qu’a rencontrées Alexandra

“En 2025, il y a eu une accélération massive de l’adoption de l’IA en interne chez Meta.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 Les ressources recommandées par Alexandra

• La newsletter TLDR

“C’est un condensé des news sur la technologie et l’intelligence artificielle, tous les matins. C’est très court, mais tu as le lien pour creuser sur chaque nouvelle si tu veux.”

• Le podcast Acquired

“C’est un bon podcast pour en savoir plus sur l’histoire des boîtes.”

🎙 Comment automatiser ses développements Data & Analytics avec des agents IA (Claude Caude)

J’ai reçu Frédéric Forest qui est expert Data Analytics et Directeur Général de Datatorii, un cabinet de conseil data qui s'est récemment spécialisé sur Claude Code.

On aborde :

• Pourquoi automatiser ses développements Data & Analytics avec des agents IA : gains de productivité et changement de paradigme

• Comment se lancer : charte d’usage, choix de l’outil, 1ers cas d’usage

• La métaphore de l’équitation pour comprendre le développement agentique

• Ce à quoi ressemble le quotidien d’une équipe mature sur le sujet

• Comment on scale : livrables à produire (le fameux harnais) et nouveaux rôles

• Les difficultés et les risques à anticiper : shadow IT, perte de maîtrise, coût des tokens…

“On vit un changement de paradigme comme on n’en vivra probablement pas d’autres aussi majeurs dans notre carrière. D’ici 12 à 24 mois, plus personne ne codera.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

Bienvenue dans l’édition #160 de la newsletter DataGen ! 👋

Au menu :

🎙 Les 5 épisodes les plus écoutés sur la dernière année
🇪🇺 On a enregistré 10 épisodes DataGen Europe, je partage des 1ers insights
🇺🇸 On prépare une série “DataGen aux US”, je partage des 1ers insights
🤝 Un update sur le Collectif DataGen
🙈 Une petite news perso

C’est parti !

Tu peux écouter ou regarder ce bilan en version podcast

Liens vers l’épisode : Apple Podcasts | Spotify

🎙 Les 5 épisodes les plus écoutés sur la dernière année

• 🥇 #224 - Blef a passé 3 mois chez Y Combinator aux US : le futur des équipes Data, France vs US

• 🥈 #243 - Carrefour : Leur stratégie agentique

• 🥉 #242 - On décrypte 4 tendances Data & IA de 2026 avec Blef

• 4) #236 - Photoroom : Déployer une stratégie GenAI pour l’analytics et x15 sa vitesse de delivery

• 5) #225 - Qover : Structurer son Data Warehouse & Modéliser ses données (dbt, Médaillon …)

On y parle évidemment beaucoup d’IA et d’agentique mais j’étais agréablement surpris de retrouver l’épisode Qover dans la liste qui se concentre sur la modélisation de données. On dirait que les fondamentaux restent un sujet d’actualité. 😁

Chez DataGen, on fait un break sur le contenu sur les prochaines semaines. Alors on en profite pour rediffuser ces 5 épisodes sur les plateformes audio.

🇪🇺 On a enregistré 10 épisodes DataGen Europe, voici mes 1ers insights

On a lancé sur ce 1er semestre un nouveau podcast DataGen Europe.

On a notamment invité des leaders Data & IA de licornes britanniques et allemandes : N26, HelloFresh, Flix, Marshmallow…

Le 1er constat que j’ai observé, c’est que les équipes data & IA allemandes et britanniques sont beaucoup plus internationales.

J’ai contacté une 50aine de leaders data & IA de licornes allemandes et britanniques pour le lancement de DataGen Europe. Moins de 50% étaient allemands ou anglais. En France, 99% sont français.

Je pense que les boîtes DE et UK ont un gros avantage compétitif en termes de recrutement dans la mesure où les leaders et les équipes Data & IA peuvent venir du monde entier.

Liens vers le podcast DataGen Europe : Apple Podcasts | Spotify

🇺🇸 On prépare une série d’épisodes “DataGen aux US”, voici mes 1ers insights

Cet été, on a enregistré une dizaine d’épisodes à New York et San Francisco avec des Français leaders data & IA dans des boîtes tech américaines : Facebook, Google/YouTube, LinkedIn, Slack, OpenAI, Palantir, Doordash...

Ici, le 1er constat que j’ai observé, c’est que le rôle du Data Scientist n’est pas le même qu’en France.

Dans les Big Tech américaines, les Data Scientists se concentrent sur la prise de décision et sur le produit.

On pourrait les comparer à des Product Data Analysts en France. La différence, c’est qu’aux US on les attend sur des compétences très techniques en termes de statistiques (ex : inférence causale).

Dans le futur, avec la croissance des scaleups françaises, leur maturité et les produits tech qui deviennent plus complexes, je pense que ce type de profil pourrait devenir la norme.

Rendez-vous en septembre pour découvrir les 1ers épisodes de cette série.

🤝 Un update sur le Collectif DataGen

En parallèle du podcast, on a monté un collectif de freelances Data & IA.

Aujourd’hui, on a plus de 250 freelances sélectionnés et plus de 25 actuellement en mission via le collectif DataGen.

Et depuis quelques mois, j’observe un petit paradoxe.

Sur le podcast, 80% des enjeux que j’aborde avec les invités sont des sujets très innovants (ex : agentique, AI Analytics…) et 20% sont des sujets sont plus classiques (ex : fondamentaux, modélisation, ML traditionnel…).

Sur le collectif, c’est inversé : 80% des besoins de nos clients sont sur des fondamentaux et 20% sont sur des sujets très innovants.

Je trouvais intéressant de vous partager cet insight. C’est important de distinguer ce qu’on voit sur les réseaux (et les podcasts) et la réalité du marché. ;)

🙈 Une petite news perso

Je vais courir un semi-marathon en octobre à Lisbonne. 🏃

Il y a un an, je regardais une vidéo de Theo Lion, le fondateur d’une agence marketing, dans laquelle il parlait de sa préparation à un marathon.

Et je m’étais dit : “Oh la la, il abuse de parler de ça”.

Et aujourd’hui, je fais pareil. 😂

Il y a que les c*** qui ne changent pas d’avis.

Pour les connaisseurs, je vise 1:30, ce qui est plutôt ambitieux pour un newbe. Ce sera mon 3ème semi-marathon.

Rendez-vous dans le prochain format “Build in Public” pour voir si j’ai réussi.

En attendant, je vous souhaite de bonnes vacances et un bel été ! 🤩☀️

Bienvenue dans l’édition #159 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur les chantiers data & IA chez Decathlon
🎙 Le podcast avec Didier, Chief Data & AI Officer chez Decathlon
📚 La ressource recommandée par Didier
🎙 Comment Astronomer a construit sa stack autour d’Airflow

C’est parti !

🔍 Zoom sur les chantiers data & IA chez Decathlon - 5 min

Ce zoom est tiré de mon échange avec Didier, Chief Data & AI Officer chez Decathlon (102 000 collaborateurs, 17 milliards d’euros de CA, 54 pays et entre 800 et 900 personnes en Data).

Les 2 chantiers fondateurs : Lakehouse & Gouvernance

1) Lakehouse

Quand Didier arrive chez Decathlon il y a six ans, la stack data est déjà sur le cloud (Redshift), mais pensée principalement pour la BI. Avec l’arrivée de la Data Science, du Machine Learning et la multiplication des usages, l’équipe décide de migrer vers un Lakehouse, en s’appuyant sur Databricks, Python et Spark.

“On a aussi repensé toute l’architecture de données avec des business domains qui contiennent des data domains qui contiennent eux-mêmes des data products. On l’a rendue plus business-oriented pour qu’elle soit compréhensible par le business.”

2) Gouvernance

Dans toutes ses expériences, Didier avait observé une déconnexion entre la partie théorique (politiques de Data Gouvernance, frameworks…) et l’éxecution. Chez Decathlon, il a donc poussé pour que la Data Gouvernance soit réellement intégrée “by design” sur toute la chaîne.

La première étape a été de mettre en place des Data Contracts qui caractérisent les données (source, format, descriptions…).

L’autre point crucial a été d’intégrer l’entité Data Gouvernance dans l’équipe Plateforme Data & IA afin qu’elle puisse réellement traduire les besoins business dans les outils (ex : tests, changements de calculs, conformité…).

“L’entité Data Gouvernance ne doit pas être une sorte de Cour des Comptes qui fait des audits et des analyses sans qu’il ne se passe jamais rien derrière.”

Par ailleurs, la Data Gouvernance et la Data Quality sont encore plus importants avec l’arrivée des agents IA.

“Ce ne sont plus des humains qui vont consommer les données, ce sont des robots, des agents. Et ils n'ont pas le discernement d'un humain qui dirait “je n'ai pas confiance dans cette data”. Ils vont prendre la donnée telle quelle et exécuter la tâche sans contrôle, à une vitesse et avec des volumes très importants.”

Le chantier agentique : les 3 risques principaux

Les LLMs sont devenus très performants, la qualité des données a augmenté, et le déploiement a été facilité avec le no-code et le vibe coding. Résultat : tout le monde veut lancer des agents pour gagner en productivité.

Didier identifie 3 risques et sous-chantiers associés :

“Chaque technologie vient créer son lot de problèmes.”

1) La gouvernance des agents

Les agents vont agir de manière automatisée et à grande échelle sans qu’un humain puisse valider ses décisions.

“Tu dois te poser les mêmes questions quand tu crées un agent que quand tu recrutes un employé : quelle mission je lui donne ? Comment je l’accompagne ? Comment je suis ses performances ?”

2) Le contrôle des coûts

Les hyperscalers ont opacifié leur offre avec les tokens, c’est difficile d’anticiper ce que va réellement coûter un agent en production.

“Il faut estimer le coût et la valeur des agents dès le départ puis analyser le coût, l’usage et la création de valeur une fois les agents déployés. C’est ça qui est le plus dur.”

3) La priorisation des sujets stratégiques

Le vrai piège, c’est d’utiliser les agents pour améliorer à la marge des process qui devraient être repensés totalement. On se retrouve à augmenter les coûts et à renforcer le legacy pour gagner quelques pourcents de productivité.

“L’équipe Data & IA doit comprendre les enjeux des métiers et les accompagner à repenser leurs process grâce à l’IA. C’est ça la clé. Si je repense un process et que je l’automatise, je peux gagner 20 à 30% de productivité et créer de l’avantage concurrentiel.”

Une organisation qui oscille en permanence

Chez Decathlon, l’équipe Data & IA est continuellement en train de se réorganiser. Chez eux, l’oscillation permanente est considérée comme un état sain, à condition de ne pas basculer dans la “fluctuation”.

“L’état d’équilibre, c’est un état instable. Le leader, son rôle, c’est de mettre assez de contrainte pour faire osciller l’organisation de manière régulière. Parce que sinon, on entre dans la routine.”

🎙 Le podcast avec Didier, Chief Data & AI Officer chez Decathlon

On aborde :

• Le parcours de Didier : physique, industrie... jusqu’à Decathlon

• Le contexte data chez Decathlon

• Le passage du Data Warehouse au Lakehouse (cf. zoom)

• Data Mesh vs Business Domains

• La gouvernance et le chanter Data Quality (cf. zoom)

• Le chantier agentique : les 3 risques (cf. zool)

• Le framework 3-3-3 pour déployer les agents

• Pourquoi leur organisation oscille en permanence

• La plus grosse difficulté et le rôle du CDO

“La data, c'est un révélateur. Notre rôle, c'est de dire : ici, le process n’est pas cohérent. Les bons Chief Data Officers de demain devront apporter cette valeur-là.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 La ressource recommandée par Didier

• "Changements : Paradoxes et psychothérapie" de Paul Watzlawick de l'école de Palo Alto

“J’ai lu ce livre des centaines de fois ! Il explique les différents types de changements : ceux de type 1 qui modifient quelques éléments sans vrai changement et ceux de type 2 qui provoquent des disruptions. Ca permet de bien analyser les décisions que l’on doit prendre.”

🎙 Comment Astronomer a construit sa stack autour d’Airflow

Marion Azoulai est Staff Data Scientist chez Astronomer, l’éditeur d’Astro, la plateforme managée d’Airflow qui est aussi l’un des principaux contributeurs de la solution open source.

Créé en 2018, Astronomer a levé plus de 370 millions de dollars et accompagne des centaines d’organisations dans le monde, parmi lesquelles la Société Générale, Booking.com, Autodesk ou encore WeWork.

Marion va nous raconter comment ils ont lancé l’équipe Data & IA et comment ils ont construit leur stack autour d’Airflow.

On aborde :

• Chantier #1 : La construsction d’une stack data moderne (Snowflake, Sigma et Airflow comme colonne vertébrale)

• Chantier #2 : Le déploiement des dashboards et la diffusion d’une culture data-driven dans toute l’entreprise

• Chantier #3 : L’industrialisation des cas d’usage de Machine Learning et leur accélération sur l’AI Analytics

• Leurs plus gros challenges : gagner la confiance des équipes et faire face aux transformations liées à l’IA

“Il y a eu un switch à partir duquel tout le monde s’est mis à utiliser les dashboards et à se reposer sur la donnée pour prendre des décisions. Ensuite, ils se sont mis à poser des questions de plus en plus complexes, à vouloir être prédictifs et prescriptifs.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify
Tester gratuitement Astro pendant 2 semaines : ici
Demander une démo : ici

Bienvenue dans l’édition #158 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur la construction d’un Context Layer pour son agent AI Analytics
🎙 Le podcast avec Yochan, Context Engineer chez Gorgias
📚 Les ressources recommandées par Yochan
🎙 Comment déployer une Agentic Analytics Platform ?

C’est parti !

🔍 Zoom sur la construction d’un Context Layer pour son agent AI Analytics - 4 min

Ce zoom est tiré de l’échange qu’a eu Caroline avec Yochan, Staff Context Engineer chez Gorgias, la scale-up valorisée à plus de 700 millions d’euros qui propose une solution d’IA conversationnelle pour les plateformes e-commerce. Leur agent analytics interne répond aujourd’hui à environ 1 000 questions data par jour et 83% des collaborateurs l’utilisent au quotidien.

Pourquoi construire un Context Layer ?

L’agent analytics permet à n'importe qui dans l'entreprise de poser ses questions data en langage naturel et d'obtenir des réponses fiables, sans passer par un analyste. Chez Gorgias, l’agent analytics a été construit “in-house” sur la base des frameworks LangChain et LangGraph.

L’enjeu principal lorsqu’on met en place un agent analytics est d’assurer la fiabilité des réponses. C’est pourquoi le marché préconise depuis quelques temps de mettre en place un Context Layer : un ensemble de fichiers qui donnent à l’agent le contexte business et les métriques dont il a besoin pour répondre correctement aux questions des utilisateurs.

“On a créé notre Context Layer sur la base de fichiers Markdown qui décrivent le contexte business et les métriques. Ils font la jonction entre le LLM et ce que les utilisateurs demandent.”

Chantier #1 : Structurer la connaissance

Le premier grand chantier a été de construire la hiérarchie d’informations de chaque département. L’équipe est allée voir la Finance, le Marketing, les Sales… pour documenter leurs métriques et leur contexte business.

De ces échanges sont nés deux types de fichiers Markdown :

• Les topics : toute la connaissance business (définitions, métriques, règles métier) hiérarchisée par département

• Les skills : des workflows step-by-step pour les questions récurrentes et complexes. Par exemple, le “customer single review” permet de générer un rapport complet sur tout ce qu’on sait d’un client à partir de tous les topics pertinents.

“L’objectif, c'est de donner à l'agent juste les informations nécessaires pour la question qui lui est posée. Ce ne serait pas efficace de mettre l’entièreté du contexte de toute la boîte pour chaque question en termes de latence et de coûts.”

Chantier #2 : Mettre à jour et améliorer continuellement le contexte

Le Context Layer doit être mis à jour constamment. Si les métriques évoluent et que le contexte n’est pas mis à jour, les réponses de l’agent deviennent fausses.

Yochan et son équipe ont mis en place 2 éléments :

• Solution proactive : un background agent tourne tous les jours pour analyser les conversations, détecter les frustrations et générer automatiquement des modifications sur le Context Layer (ex : PRs correctives).

• Process réactif : lorsqu’un bug est signalé sur Slack, Yochan et son équipe le corrigent en moins de 20 minutes.

"Être proactif et extrêmement rapide pour corriger des bugs, c’est un bon moyen de gagner la confiance des utilisateurs.”

Chantier #3 : Ouvrir l’édition du Context Layer à toute l’entreprise

Au départ, seule l’équipe Data pouvait modifier le Context Layer. Mais pour que l’agent reste fiable dans la durée, il fallait que les équipes métier puissent éditer directement le Context Layer.

L’enjeu ici est d’adapter le mode d’édition du contexte aux différents profils de l’entreprise selon leur niveau technique.

Gorgias a mis en place trois modes d’édition :

• Pour les plus techniques : création de PRs directement sur le repo Github, des Claude Code skills ont été créés pour guider les contributeurs (ex : respecter la structure, éviter des doublons…).

• Pour les profils intermédiaires : création de PRs en langage naturel via une interface, un MCP a été connecté à ChatGPT et Claude Desktop.

• Pour tout le monde : une interface permet de visualiser l’ensemble du Context Layer, identifier ce qui manque et enregistrer des modifications.

“L’objectif, c’est que n’importe qui dans la boîte puisse contribuer au Context Layer, peu importe son niveau technique. Parce que ce sont eux qui ont la connaissance métier.”

🎙 Le podcast avec Yochan, Staff Context Engineer chez Gorgias

On aborde :

• La naissance du projet agent analytics

• Les composants d’un agent (tools, context layer…)

• Le chantier #1 : structurer la connaissance (cf. zoom)

• Le chantier #2 : améliorer continuellement le contexte (cf. zoom)

• Le chantier #3 : ouvrir l’édition à toute l’entreprise (cf. zoom)

• Pourquoi ils n’ont pas mis en place de semantic layer ?

• Pourquoi ils ne passent pas par un outil propriétaire comme Omni ou Hex ?

• L’organisation de l’équipe : 2 DE, 3 Context Engineers, 2 AI Applied Engineers

• Leur plus gros challenge : la gouvernance

• Son meilleur conseil : bien comprendre les technologies qu’on utilise

“On retrouve les mêmes enjeux de gouvernance mais ils ont été multipliés par 10.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 Les ressources recommandées par Yochan

• La documentation d'Anthropic

“Leur documentation est vraiment super. D’ailleurs, ce sont eux qui ont créé les concepts de tools, de skills, de MCP…”

• L’outil et la documentation nao labs

“Ils sont en train de faire une version open source et donc gratuite de cette couche de contexte. Je trouve qu’ils vont dans la bonne direction.”

🎙 Comment déployer une Agentic Analytics Platform ?

François Lopitaux est Senior VP Product Management chez ThoughtSpot, la solution de business intelligence spécialisée sur l'analyse de données en langage naturel grâce à l'IA et plus globalement sur l'Agentic Analytics.

ThoughtSpot a été créé en 2012 et a été valorisé plus de 4 milliards de dollars lors de leur dernière levée de fonds en 2023. Ils sont utilisés par de très belles boîtes comme DoorDash, Lyft, Sephora aux US et Canal+ en France.

On aborde :

• La genèse de ThoughtSpot et leur Agentic Analytics Platform

• Pourquoi les utilisateurs aiment la solution : solution moderne, mix BI & IA, embedded analytics

• Les clés pour déployer une solution Agentic Analytics (précision, context layer…)

• L’évolution du rôle de Data Analyst vers un enabler de l’Agentic Analytics Platform

“Maintenant, les Data Analysts peuvent créer une flotte d’agents pour répondre à toutes les problématiques de l’entreprise. Je pense que c’est le moment le plus excitant de leur carrière.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

Retrouve une synthèse de notre échange : ici

Bienvenue dans l’édition #157 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 L’impact de l’AI Analytics sur les équipes Data en 10 insights
📚 Les ressources recommandées par les invités
🎙 Les grandes news de Snowflake (Cowork, Vibe Coding, AI Analytics)

C’est parti !

🔍 L’impact de l’AI Analytics sur les équipes Data en 10 insights - 5 min

Ce zoom est tiré du premier Talk Show DataGen avec Juliette, Head of Data chez Photoroom, Édouard, Directeur Data Analytics chez Sorare, et Christelle, ex-Head of Data chez Lydia et May devenue freelance.

Voici les 10 points à retenir de l’échange.

1) L’adoption de l’AI Analytics est encore limitée

Lorsqu’on se balade sur LinkedIn, on a l’impression que le marché est déjà mature sur l’AI Analytics. Christelle a mené une étude auprès d’une centaine de leaders data du Modern Data Network. Résultat : il y a un gros décalage entre ce qu’on peut voir sur LinkedIn et la réalité.

"Il y a 90% des gens qui veulent se mettre à l’AI Analytics donc il y a clairement une envie d’adoption. Mais dans les faits, il n'y en a que 30% qui ont déjà fait quelque chose actuellement." (Christelle, ex-Lydia, ex-May)

2) Pour les early adopters, c’est une rupture totale

Chez Photoroom, Juliette fait des Peer Reviews en un seul prompt, les alertes qui arrivent pendant la nuit sont relues et corrigées par un agent avant même que l’équipe arrive le matin et les profils métiers accèdent directement à la donnée en langage naturel. On n’est plus sur un gain de temps à la marge, l’IA modifie comment les équipe Analytics travaillent et comment la data est utilisée en profondeur.

“Je me sens surpuissant. J’aurais jamais imaginé faire des analyses à cette vitesse-là. Je peux multiplier mon impact en passant plus de temps à réfléchir pour être dans l’action et pas uniquement dans l’analyse.” (Edouard, Sorare)

3) 4 outils tirent leur épingle du jeu auprès des leaders data

Le premier outil est Claude Code, qui est adopté massivement. Les 3 autres outils qui sont plébiscités par les leaders du MDN sont Omni, Hex et Nao (cf. l’étude menée par Christelle).

“Claude Code, c’est incroyable en termes de productivité. Ça n’a plus rien à voir avec ce qui se passait il y a 6 mois quand on copiait-collait du code de ChatGPT dans notre IDE. Claude Code, il est dans l’IDE. On lui pose une question, il choisit tout seul son plan d’exécution et fait en quelques minutes ce qu’on faisait en plusieurs heures, voire plusieurs jours.” (Juliette, Photoroom)

4) L’AI Analytics permet un Self-Service total et remet en question le rôle du Data Analyst

Avec ces outils, les équipes métier n’ont plus besoin d’un intermédiaire pour accéder à la donnée. Elles peuvent poser leurs questions en langage naturel. Les LLM sont en train de supprimer les “middle men” entre le business et la base de données. Autrement dit, les Data Analysts qui ne faisaient que des requêtes SQL vont disparaître.

“Tous les PM, Designers, Sales… sont maintenant Data Analysts puisqu’ils peuvent poser directement les questions qui vont leur permettre de prendre leurs décisions.” (Juliette, Photoroom)

5) L’objectif de l’équipe Analytics devient principalement de livrer de la donnée fiable

Le rayon d’impact de l’équipe Data est devenu énorme car la donnée, une fois mise à disposition, est utilisée en autonomie par toute l’entreprise. C’est d’autant plus important d’en assurer la fiabilité pour éviter de propager à vitesse grand V des données erronées et des mauvaises décisions.

“La bonne nouvelle, c’est que les bonnes pratiques de software engineering qui permettent de fiabiliser les données restent les mêmes : documentation, tests, monitoring…” (Juliette, Photoroom)

6) Les Data Analysts pourraient évoluer vers des rôles opérationnels

L’analyste peut évoluer et prendre un rôle plus opérationnel. Il peut exploiter ses compétences d’analyste pour avoir de l’impact en dehors de son travail d’analyste initial (ex : produit, marketing, opérations).

“Chez Sorare, les analystes prennent des roles de PM. Leurs capacités d’aller chercher de l’information sont tellement décuplées qu’ils sont aussi capable de prendre en charge le design et la réalisation de certaines features dans le produit.” (Édouard, Sorare)

7) À défaut de se reconvertir entièrement, il y a énormément d’opportunités pour les profils Data Analysts qui deviennent “builders”

Les profils data sont bien placés pour saisir une nouvelle catégorie d’opportunités : construire des outils (internes ou embarqués dans le produit) à forte composante data (chatbots pour le service client, automatisations pour les Sales, outils de productivité pour les Ops…). Un profil seul avec Claude Code peut décupler son impact en développant des solutions pour d’autres équipes.

“Côté data, on connait les bonnes pratiques, on sait gérer des flux de données, on est bien placé pour devenir performant dans ces nouvelles organisations. Là où ça peut bloquer, c’est sur les compétences business. Il faut bien comprendre les process pour proposer des solutions qui ont de l’impact.” (Édouard, Sorare)

8) L’AI Analytics pourrait marquer la fin du dashboarding

Si tout le monde accède à la donnée directement via un agent, le dashboard statique perd une grande partie de son intérêt.

“Chez Sorare, on a pris une décision radicale qui était de ne plus avoir un outil dédié au reporting et au dashboarding. On a stoppé notre contrat avec Looker pour tout centraliser sur Hex. Les agents répondent aux questions simples et les Data Analysts produisent les analyses complexes.” (Edouard, Sorare)

9) Une petite équipe Analytics centrale continuera d’exister

La démocratisation de l’accès à la donnée côté métiers, combinée à l’explosion de la productivité côté data, mène à une même conclusion : les équipes Analytics seront à priori plus petites.

“Cependant, l’équipe centrale ne peut pas disparaître, on a besoin d’une équipe dont la préoccupation est d’aligner tout le monde sur les définitions des données et d’assurer le bon usage des données. En revanche, tout ce qui peut être fait par les équipes métier doit être fait par les équipes métier.” (Juliette, Photoroom)

10) Les premiers effets sur l’emploi se font ressentir

Selon l’étude menée par Christelle auprès des leaders du Modern Data Network :

• Les salaires des juniors ont stagné (la demande a probablement baissé avec l’arrivée de l’IA et les gains de productivité notamment sur les tâches simples)

• Les salaires des profils seniors ont augmenté (la demande a probablement augmenté car la mise en place de l’architecture AI Analytics est complexe et apporte énormément de valeur à l’entreprise)

• Les salaires des profils “Head of” et “Leads” ont un peu baissé (la demande pour des profils managers a probablement baissé car on est moins sur un enjeu de management et plus sur un enjeu de “build”)

“On remarque qu’il y a une prime au contributeur individuel senior qui sait un peu tout faire lui-même et qui a un impact important tout seul.” (Christelle)

🎙 Le premier Talk Show DataGen avec Juliette, Édouard et Christelle

Liens vers l’épisode : Apple Podcasts | Spotify | YouTube

📚 Les ressources recommandées par Christelle, Juliette et Edouard

• L’article “How to finally trust Claude's advice” d’Ole Lehmann

• Le repo d’Antoine Sauvage

• L’article “Something Big Is Happening” de Matt Shumer

• L’article “AI's effects on programming jobs”

• L’article “LLM Wiki” de Karpathy

• La newsletter “Five things I believe about the future of analytics” de Tristan Handy

• La newsletter d’ArthurSrz

🎙 Les grandes news de Snowflake (Cowork, Vibe Coding, AI Analytics)

J’ai reçu Marie-Cécile Riom qui est AI Product Specialist chez Snowflake, la plateforme Data & IA que tout le monde connaît. Snowflake connaît depuis des années une croissance exceptionnelle. De nombreuses entreprises telles que Qonto, Sanofi et Swile l’utilisent au quotidien.

On aborde :

• Les 3 grandes nouveautés chez Snowflake : Cowork, Cortex Code (Vibe Coding) et Cortex Sense (Contexte & AI Analytics)

• Comment Cowork permet de centraliser le travail des équipes métier (Gmail, Slack, Salesforce…) dans une interface unique

• Comment Cortex Sense apporte le contexte nécessaire aux agents et augmente la fiabilité des réponses

• L’événement Snowflake World Tour à Paris le 15 octobre où plus de 2000 personnes sont attendues

  “Cortex Code permet aux builders de vibe coder leurs applications avec un agent IA qui a une compréhension fine de l’univers technique de Snowflake et qui est connecté à tout le contexte data de l’entreprise.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify
S’inscrire au Snowflake World Tour à Paris le 15/10/2026 : ICI

Bienvenue dans l’édition #156 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur la stratégie agentique de Stellantis
🎙 Le podcast avec Annabelle, VP of AI & Data Business Insights chez Stellantis
📚 La ressource recommandée par Annabelle

C’est parti !

📢 Vous connaissez ThoughtSpot ?

C’est la solution spécialisée sur l’agentic analytics qui permet de faire de la BI et de l’analyse en langage naturel.

Elle a été valorisée plus de 4 milliards de dollars et est utilisée par de très belles boîtes comme DoorDash, Lyft, Sephora aux US et Canal+ en France.

J’ai reçu François, leur Senior VP Product Management, qui est venu en parler dans l’épisode 274. Il nous explique pourquoi la solution connaît un tel succès et comment réussir le déploiement d’une solution agentic analytics.

Ils ont aussi rédigé cet article qui synthétise notre échange.

Un immense merci à ThoughtSpot de sponsoriser DataGen. ❤️

🔍 Zoom sur la stratégie agentique de Stellantis - 4 min

Ce zoom est tiré de mon échange avec Annabelle, VP of AI & Data Business Insights chez Stellantis, l’un des leaders de l'automobile qui regroupe 14 marques : Peugeot, Citroën, DS, Fiat, Alfa Romeo, Jeep, Chrysler… et 250 000 collaborateurs dans le monde.

Le contexte de départ

Annabelle rejoint Stellantis en 2023 en tant que Generative AI Director pour accélérer le déploiement de cas d’usage GenAI avec une équipe de 6 personnes. Au bout d’un an, cette équipe fusionne avec l’équipe Data existante (Business Intelligence, Data Engineering…). Aujourd’hui, Annabelle encadre une équipe de 60 personnes qui couvre toute la chaîne data & IA pour les cas d’usage qui sont “en dehors du véhicule”. La partie véhicule connecté est gérée par une autre équipe Data & IA.

“On couvre les cas d’usage Sales & Marketing, Supply Chain, Après-Vente, Purchasing, Fonctions Corporate. L’enjeu majeur, c'est le scale : comment déployer des cas d’usage à la fois pour l’externe et l’interne dans un groupe multi-régions qui compte 250 000 collaborateurs dans le monde.”

Les premières initiatives (liste non-exhaustive)

1) Mettre en place une AI Gateway centralisée pour les modèles

Stellantis a pris en compte très tôt les enjeux d’industrialisation (sécurité, monitoring…). Par ailleurs, dans l’automobile, la gestion des coûts est très importante. Ils ont déployé une AI Gateway qui centralise et sécurise l’accès aux modèles et permet de contrôler les coûts grâce à un monitoring intégré.

“Dans le milieu automobile, c’est très formateur sur la gestion des coûts. Avant même d’avoir démarré, il faut avoir un plan pour contrôler les coûts.”

2) Aider les ingénieurs à trouver des spécifications techniques sur des composants (distance entre deux points de soudure, caractéristiques d’un composant…)

Le groupe compte plus de 8 000 ingénieurs qui passent un temps fou à chercher manuellement des informations dans de la documentation technique. La solution centralise toute cette documentation et permet d’y accéder en langage naturel.

“Il y avait un gros sujet de données non structurées. On a collecté toute la documentation technique des machines pour leur mettre à disposition avec de la recherche intelligente.”

3) Aider les opérateurs en usine à résoudre des pannes machines

Le principe est le même. Quand une machine affiche un code erreur, l’opérateur peut interroger la solution plutôt que de feuilleter des manuels de plusieurs centaines de pages.

“C’est également un RAG sur la documentation technique des machines. On rend accessible la solution via des ordinateurs positionnés à des points stratégiques de la chaîne d’assemblage.”

4) Aider les concessions à diagnostiquer les véhicules

Quand un client amène son véhicule en maintenance, le dealer obtient automatiquement la détection de l’erreur et un plan de résolution sur la base des voyants qui sont affichés dans le véhicule.

“L’objectif est de réduire le temps d’immobilisation du véhicule en concession.”

La stack agentique : multi-cloud, MCP & AI Gateway

La stack s’appuie sur une approche multi-cloud déjà déployée chez Stellantis et favorise les services natifs des providers déjà utilisés ainsi que des frameworks open source comme LangChain et LangFuse. L’objectif est d’éviter le vendor lock-in et de garder la liberté de basculer d’un provider à l’autre selon les cas d’usage, les coûts ou la disponibilité régionale.

Le chantier central, c’est la MCP Gateway. L’objectif est de connecter tous les agents entre eux et de pouvoir interagir avec les données de Salesforce, ServiceNow, SAP, Snowflake ou Palantir et de les rendre accessibles directement depuis Teams, l’interface déjà utilisée au quotidien par les collaborateurs.

“On va permettre à nos employés qui utilisent Teams au quotidien d’aller interroger la donnée qui est dans le data lake, le CRM et tous les systèmes IT.”

🎙 Le podcast avec Annabelle, VP of AI & Data Business Insights chez Stellantis

On aborde :

• Le contexte de départ (cf. zoom)

• La spécificité de l’automobile et de l’industrie

• Les premières initiatives (cf. zoom)

• L’organisation de l’équipe Data & IA chez Stellantis

• La stack agentique : multi-cloud, MCP Gateway, multi-LLM (cf. zoom)

• Leurs 2 plus grosses difficultés : l’adoption et la maîtrise des coûts

• Leurs prochaines étapes : l’AI Garage, le nouveau profil AI Business Process Lead

“Le gros challenge, c’est la partie adoption. Il y a des énormes écarts selon les métiers. Par exemple, dans les usines, il y a peu d’écrans et la priorité des ingénieurs est de fabriquer des véhicules. C’est plus compliqué en termes d’adoption.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 La ressource recommandée par Annabelle

• Le livre The Phoenix Project de Gene Kim, Kevin Behr et George Spafford

“Mon mentor lorsque j’étais chez Airbus m’avait recommandé ce livre. Il m'a beaucoup marqué, notamment sur la partie speed of delivery et sur comment faire face au chaos.”

Bienvenue dans l’édition #155 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur la nouvelle stratégie data de Leboncoin
🎙 Le podcast avec Patrice, Directeur Data, Infra et Plateforme chez Leboncoin
📚 Les ressources recommandées par Patrice

C’est parti !

📢 Vous connaissez ThoughtSpot ?

C’est la solution spécialisée sur l’agentic analytics qui permet de faire de la BI et de l’analyse en langage naturel.

Ils ont été valorisé plus de 4 milliards de dollars et sont utilisés par de très belles boîtes comme DoorDash, Lyft, Sephora aux US et Canal+ en France.

J’ai reçu François, leur Senior VP Product Management, qui est venu en parler dans l’épisode 274. Il nous explique pourquoi la solution connaît un tel succès et comment réussir le déploiement d’une solution agentic analytics.

Ils ont aussi rédigé cet article qui synthétise notre échange.

Un immense merci à ThoughtSpot de sponsoriser DataGen. ❤️

🔍 Zoom sur la nouvelle stratégie data de Leboncoin - 4 min

Ce zoom est tiré de mon échange avec Patrice, Directeur Data, Infra et Plateforme chez Leboncoin, la marketplace que tout le monde connaît. Avant ça, Patrice a passé plus de dix ans chez Doctolib et Criteo, où il était notamment Head of Analytics.

Les 3 éléments de contexte qui ont mené à cette nouvelle stratégie

1) Une réorganisation au niveau groupe qui libère les choix techno

Leboncoin appartient au groupe Adevinta (4 500 personnes en Europe). Historiquement, les choix de stack data étaient largement pilotés au niveau groupe. Une réorganisation récente a changé la donne et Leboncoin a pu reprendre la main sur ses composants.

“C’est une opportunité pour nous, on peut repenser toute la stratégie en local.”

2) Une accélération business qui dépasse les capacités de l’équipe Data

Leboncoin accélère fort sur l’immo et l’auto. Ils mettent en place plus de pub, plus de force commerciale et développent de nouvelles fonctionnalités, ce qui fait plus de demandes pour l’équipe Data.

“En Q4 de l’an dernier, sur les 350 demandes qu’on a reçues, on n’a pu en gérer que 100. On n’est pas assez staffé.”

3) Des KPIs sans définitions communes

Chaque équipe avait sa propre définition de KPIs et les chiffres étaient différents d’un dashboard à l’autre. C’était un vrai problème pour la prise de décision.

“On voyait dans des meetings COMEX des écarts considérables sur des métriques clés. Par exemple, une équipe reportait +10% de nouvelles annonces par rapport à l'an dernier, et une autre équipe reportait -5%.”

La refonte de la stack avec 3 outils clés : plateforme, catalog & AB test

La stack existante était vieillissante (Redshift, Athena…). Patrice et son équipe ont mis en place 3 nouveaux outils.

1) Databricks comme plateforme centrale

Avant, l'équipe jonglait entre Redshift, Athena, Tableau, Metabase et Airflow. Les Data Analysts faisaient de l'exploration SQL dans un outil, des notebooks Python dans un autre, sans continuité.

“L’objectif était de créer une expérience et une stack plus unifiée, et de rendre les utilisateurs plus autonomes. La force de Databricks, c'est qu'ils ont toutes les briques, pas seulement pour les profils data, mais aussi de plus en plus pour des end-users côté produit ou business.”

2) Un data catalogue pour unifier les définitions des KPIs

Leboncoin n'avait pas de source de vérité unique pour les KPIs. La doc était dispersée dans Confluence, dans les dashboards et dans les requêtes. Ils ont mis en place le data catalogue Coalesce (ex-CastorDoc).

“Le but est de tout documenter dans l’outil. Par exemple, si tu te demandes ce qu’est une nouvelle annonce, tu as la définition et tu sais exactement ce qu'il y a derrière.”

3) Confidence (outil développé et utilisé par Spotify) pour les A/B tests

Spotify utilise cet outil en interne pour réaliser des milliers d’expérimentations chaque mois. Les PM peuvent lancer, suivre et analyser des tests en autonomie sans solliciter d’analystes. L’outil permet d’accélérer massivement sur l’expérimentation.

“Par ailleurs, les équipes de Spotify nous ont aidés à le mettre en place. On a profité de leur expérience pour ré-acculturer toute la boîte sur les A/B tests, sur comment en faire plus, comment bien les faire et prendre les bonnes décisions.”

Les 2 plus grosses difficultés

1) Convaincre le Comex d'investir

Patrice et son équipe ont présenté une 1ère stratégie avec une feuille de route sur 3 ans. La réponse du Comex a été : "3 ans, c'est long. 1 an, c'est mieux." Il a fallu revoir la copie et identifier les ressources additionnelles nécessaires pour délivrer cette refonte en 1 an.

“On a identifié qu’il nous fallait 15 personnes de plus, des profils Data Engineers, Data Analysts et des profils spécialisés en Data Gouvernance. Il a fallu convaincre le Comex.”

2) Communiquer et gérer les attentes du Comex

Le vrai challenge, une fois le budget obtenu, a été de gérer les attentes du Comex qui attend des résultats rapides, alors que l'équipe travaille en partie sur des fondations, des couches basses, dont les résultats sont parfois peu visibles à court terme.

“On a interviewé tout le Comex pour leur dire : OK, ça, en effet, ça va venir grâce à cette transformation. Cet élément, tu pourras l'avoir en Q3, celui-ci, en Q4… C'est très important de bien communiquer et de gérer les attentes.”

🎙 Le podcast avec Patrice, Directeur Data, Infra et Plateforme chez Leboncoin

On aborde :

• Les 3 éléments de contexte qui ont mené à cette nouvelle stratégie (cf. zoom)

• La refonte de la stack avec 3 outils clés : plateforme, catalog & AB test (cf. zoom)

• L’organisation de l’équipe Data et les nouveaux rôles

• Les 2 plus grosses difficultés (cf. zoom)

• L’impact de l’IA et de Claude Code sur les métiers de la data

• Les prochaines étapes : exécuter le plan, faire évoluer les rôles…

“On voit déjà chez nous que les équipes changent leur manière de travailler. Ils font de plus en plus de vibe coding. Une manager me racontait une anecdote assez drôle : ses managés lui disent "on a fait ci, on a fait ça" en parlant de Claude, comme s'ils travaillaient à deux.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 Les ressources recommandées par Patrice

• Le profil LinkedIn de Marcel Dybalski

“Il vulgarise le data mesh, les data products et les KPIs à suivre en tant qu’équipe Data. Il partage notamment des infographies, je les partage à mon équipe à chaque fois.”

• Le livre Factfulness de Hans Rosling

“Ce livre est excellent pour prendre conscience des biais qu’on peut avoir dans une analyse et de comment des chiffres peuvent être interprétés différemment. Il se lit vraiment bien, ce n’est pas du tout scolaire.”

Bienvenue dans l’édition #154 de la newsletter DataGen ! 👋

Je vous ai préparé un dossier retraçant le parcours des leaders data invités sur DataGen : leur formation, leur premier job et le poste clé qui leur a permis (selon moi) de devenir Head of Data & IA. 🤩

Le dossier est divisé en 4 parties :

1. 5 insights et tendances que j’observe sur le marché

2. Zoom sur 12 Head of Data de scaleups

3. Zoom sur 9 Head of Data de licornes

4. Zoom sur 12 Head of Data de grosses boîtes

C’est parti !

👋 DataGen, c’est aussi un collectif de freelances data & IA issus des plus belles boîtes

Grâce au podcast, on a fédéré les meilleurs freelances data du marché. Si tu as un projet data et/ou IA, on a l'équipe qu'il te faut : Data Analyst, Data Engineer, Data Scientist, Head of Data & IA, etc.

En savoir plus : ici

📊 Les tendances globales

1️⃣ 70% des Head of Data & IA ont fait une école d’ingénieur, 23% ont fait l’université et 8% ont fait une école de commerce

Sans surprise, les écoles d’ingénieurs sont sur-représentées. C’est la voie royale en France pour devenir leader data & IA. Les profils écoles de commerce sont probablement moins représentées car le métier nécessite des compétences scientifiques. Cependant, 1/3 des profils ingénieurs qui sont Head of Data & IA ont réalisé un master complémentaire dans une école de commerce (ex : HEC).

2️⃣ 39% des Head of Data & IA ont commencé en tant que Data Scientist contre 21% en tant que Data Analyst et 8% en tant que Chef de Projet

Lorsqu’on a réalisé la même étude il y a 2 ans, 39% des leaders avaient commencé en tant que Data Analyst et seulement 14% avaient commencé en tant que Data Scientist. Dans la nouvelle étude, la tendance s’est inversée avec 39% des leaders qui ont commencé en tant que Data Scientist et seulement 21% en tant que Data Analyst. Il est possible que l’accélération des sujets IA avec l’arrivée de la GenAI donne un avantage aux profils qui ont un background Data Scientist.

3️⃣ 44% des Head of Data & IA ont commencé dans le conseil contre 33% en grosse boîte et 13% dans la recherche

Lors de la dernière étude, le conseil était déjà le 1er job le plus représenté (44%). Force est de constater que c’est une bonne école et que les profils qui y démarrent ont plus de chances de devenir leaders Data & IA. Le job de Head of Data & IA évolue constamment (nouveaux outils, nouvelles demandes, nouveaux profils…) et nécessite des compétences en conduite du changement (communication, pédagogie…). Le conseil prépare bien à ce contexte.

4️⃣ 74% des Head of Data & IA le sont devenus en moins de 11 ans

Dans l’étude menée il y a 2 ans, 83% des leaders Data & IA y étaient parvenus en moins de 11 ans contre 17% en plus de 12 ans. Aujourd’hui, on est descendu à 74% en moins de 11 ans et on est monté à 26% en plus de 12 ans. Conclusion : les leaders Data & IA mettent un peu plus de temps à le devenir. C’est normal, il y a de plus en plus de leaders Data & IA sur le marché, ça devient plus compliqué pour les “nouveaux entrants”. Cependant, les secteurs où la majorité des leaders le sont devenus en aussi peu de temps sont très rares. Ça reste un secteur où on peut évoluer très vite.

5️⃣ 67% des Head of Data & IA étaient dans la même boîte avant d’avoir leur promotion et 33% ont accédé au poste en changeant de boîte

Je me demande souvent s’il était possible de passer Head of Data & IA en changeant de boîte. C’était le cas pour 30% des leaders lors de la dernière étude en 2024. C’est toujours le cas pour 33% en 2026. La statistique n’a pas beaucoup évolué. La majorité (67%) des Head of Data & IA reçus sur le podcast ont eu la promotion dans la même boîte.

🚀 Les leaders data & IA des scaleups

Note : concernant le “job clé”, j’ai identifié “de manière subjective” le poste clé qui avait mené le profil à un rôle de Head of Data & IA.

🦄 Les leaders data & IA des licornes

💪 Les leaders data & IA des grosses boîtes

Bienvenue dans l’édition #153 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur le lancement de l'équipe Data & IA Europe chez L'Oréal
🎙 Le podcast avec Eva, Head of Data Office Europe chez L'Oréal
📚 La ressource recommandée par Eva
🎙 La masterclass pour scales son programme de formation agentique

C’est parti !

📢 Vous connaissez ThoughtSpot ?

C’est la solution spécialisée sur l’agentic analytics qui permet de faire de la BI et de l’analyse en langage naturel.

Ils ont été valorisé plus de 4 milliards de dollars et sont utilisés par de très belles boîtes comme DoorDash, Lyft, Sephora aux US et Canal+ en France.

J’ai reçu François, leur Senior VP Product Management, qui est venu en parler dans l’épisode 274. Il nous explique pourquoi la solution connaît un tel succès et comment réussir le déploiement d’une solution agentic analytics.

Ils ont aussi rédigé un article qui synthétise notre échange que vous pouvez récupérer ici !

Un immense merci à ThoughtSpot de sponsoriser DataGen. ❤️

🔍 Zoom sur le lancement de l’équipe Data et IA Europe chez L’Oréal - 4 min

Ce zoom est tiré de mon échange avec Eva, Head of Data Office & Transformation Europe chez L'Oréal, le leader mondial de la beauté.

Le contexte de départ : 3 problèmes à résoudre

Pendant des années, chaque pays chez L’Oréal gérait sa data de manière autonome. Chaque marché avait ses propres outils, ses propres équipes et ses propres dashboards. Ça fonctionnait jusqu’à ce que le modèle atteigne ses limites.

Concrètement, 3 problèmes ont émergé :

• #1 - L’absence d’une source de vérité unique : ils ne pouvaient pas comparer simplement les chiffres entre deux pays car les KPIs étaient calculés différemment.

• #2 - Une gestion budgétaire non-optimisée : chaque pays déployait des dashboards similaires et supportait des coûts de maintenance en doublon.

• #3 - Une donnée trop dispersée pour accélérer sur l’IA : les données étaient souvent stockées dans des GCP locaux et compliquées à exploiter pour des cas d’usage IA.

“L’objectif était d’harmoniser les méthodes de calcul des KPIs, de rationnaliser et d’éviter les développements de dashboards et la maintenance en doublon, et enfin de structurer la donnée au niveau de la zone Europe pour pouvoir accélérer sur l’IA.”

Les 3 chantiers clés pour lancer l’équipe Europe

Chantier #1 : Création et organisation globale de l’équipe

La direction générale de L’Oréal a acté la création de cette nouvelle organisation data pour la zone Europe et toutes les marques du Groupe. L’équipe a été rattachée à la Finance et couvre 3 fonctions (pour commencer) : Commerce, Supply et Digital & Marketing.

“Le fait que toute l’équipe Data soit passée sous la Finance, ce qui est assez rare, montre la volonté d’être orienté ROI, de démontrer sa valeur et de maîtriser ses coûts.”

Chantier #2 : Recrutement, internalisation & change management

Avant, beaucoup de consultants occupaient des postes longue durée. L’Oréal a décidé d’internaliser les profils experts et de ne garder les consultants que pour des missions ponctuelles et spécifiques. Par ailleurs, le nouveau modèle organisationnel a impliqué beaucoup de changements (organisation globale versus par pays, par fonction, rattachée à la Finance.

“On a beaucoup pitché cette nouvelle organisation et son fonctionnement aux Heads of Data des pays, mais aussi aux CTOs, aux RHs, aux CFOs qui n’avaient pas la data avant… il a fallu embarquer tout le monde.”

Chantier #3 : Création d’une roadmap commune et premiers use cases

L’objectif était d’identifier les priorités par fonction et les premiers projets. Deux quick wins ont émergé :

• 1) Dashboard sell-in / sell-out : L’Oréal vend à des retailers (sell-in) et suit ce que ces retailers vendent aux consommateurs (sell-out). Il a fallu connecter des milliers de sources pour avoir cette vision unifiée à l’échelle européenne.

“On a une visibilité plus fine sur la performance de nos retailers au niveau de la zone Europe. Les équipes peuvent identifier plus rapidement les écarts entre le sell-in et le sell-out, ajuster des décisions commerciales et avoir des échanges factuels avec nos retailers pour prendre des décisions.”

• 2) Dashboard pour monitorer l’adoption : pour chaque produit data déployé dans les pays, Eva et son équipe définissent une population cible et suivent l’usage réel mois après mois. Si un dashboard n’est pas utilisé, il est amélioré ou supprimé.

“Avant, on était dans une logique de production à délivrer beaucoup de dashboards. Aujourd’hui, on est passé dans une logique de création de valeur mesurable.”

La principale difficulté : aligner 17 hubs européens

Les différents hubs européens ont des priorités différentes. Par exemple, les pays du top six (UK, France...) ont jusqu’à 35 personnes en Data et les petits hubs ont deux ou trois profils. Les enjeux organisationneles et les ressources qu’ils ont à disposition pour développer des solutions ne sont pas les mêmes. Eva et son équipe ont pitché la vision et co-construit le modèle avec chaque hub, puis accompagné l’exécution dans la durée.

“La clé, c’est d’identifier des sponsors au niveau local pour porter le projet sur le terrain. Bien sûr, une fois l’organigramme présenté, on ne leur dit pas juste “bonne chance”, on leur partage des standards et on avance ensemble vers la vision commune.”

🎙 Le podcast avec Eva, Head of Data Office Europe chez L’Oréal

On aborde :

• Le parcours d’Eva : Marketing Digital, Conseil, Head of Data Office

• Le contexte qui a poussé L’Oréal à créer une verticale data en Europe (cf. zoom)

• Les 3 chantiers : 1/ organisation, 2/ internalisation & change management, 3/ roadmap & premiers use cases (cf. zoom)

• Zoom sur les cas d’usage sell-in/sell-out et suivi de l’adoption

• La plus grosse difficulté : aligner 17 hubs aux priorités très différentes (cf. zoom)

• Les prochaines étapes : passage à l’échelle, accélération sur l’IA, nouvelles fonctions…

“En 2026, on s'est focalisé sur des use cases prioritaires. En 2027, on va passer ces use cases à l’échelle et accélérer sur l'intelligence artificielle. En termes de périmètre, on pourra sûrement couvrir 2 fonctions de plus comme la finance et les RH par exemple.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 La ressource recommandée par Eva

• La newsletter Datalogy de Florence Haxel

• Le podcast The AI Daily Brief

• Le film Le Stratège (Moneyball, 2011)

“Je recommande ce film à toute mon équipe, il montre les prémices de la data dans le sport.”

🎙 La masterclass sur comment scaler son programme de formation agentique

Benoît de La Porte est un expert sur le sujet de la formation tech, data et IA. Il a cofondé On train, l'agence spécialisée dans la formation sur-mesure sur les sujets tech, data, IA et qui travaille avec des belles boîtes comme Pierre Fabre, LVMH, Euronext, Sopra Steria et d'autres.

On aborde :

• Les 4 freins à l'adoption de l'IA en entreprise (compétences, ROI, sécurité et souveraineté)

• Comment les lever par la formation et l’acculturation

• Le bon mix pour former 100% des collaborateurs : e-learning, ateliers métiers, mentoring

• Comment gamifier la formation IA pour maximiser l'engagement

“On dit aux gens : « L’IA va transformer totalement ton métier ». Et en général, les gens ne voient pas du tout comment. Il y a un gros enjeu de faire comprendre le potentiel des outils d’IA dans chacun des métiers.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

Bienvenue dans l’édition #152 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur la structuration de l'équipe Data chez Exotec
🎙 Le podcast avec Grégory, Head of Data chez Exotec
📚 La ressource recommandée par Grégory
📆 Le prochain bootcamp Analytics Engineering démarre le 2 juin

C’est parti !

🔍 Zoom sur la structuration de l’équipe Data chez Exotec - 4 min

Ce zoom est tiré de mon échange avec Grégory, Head of Data chez Exotec, la pépite industrielle française qui produit des robots et des systèmes automatisés à destination des entrepôts. Ils travaillent notamment avec Uniqlo, Decathlon ou encore PepsiCo. Avant de rejoindre Exotec, Grégory était Directeur Analytics chez Decathlon où il encadrait plus de 100 profils data.

Le contexte de départ : une orga “helpdesk” centrée sur la BI

Quand Grégory arrive chez Exotec il y a deux ans, il est le premier manager data d'une équipe de 4-5 personnes. L'équipe hérite de 60 à 70 dashboards construits un peu partout dans l'entreprise. Elle fonctionne en mode helpdesk (les métiers font des tickets, l'équipe répond) et l’activité est exclusivement orientée BI.

“On était assez loin de ce que je voulais construire. J’ai une vision de l’analytics qu’on pourrait qualifier de “dashboardless” : je pense que le futur de l’analytique, ce ne sera pas de produire des dashboards tout le temps.”

Chantier #1 : Construire la confiance

Grégory lance un premier chantier purement fonctionnel. L’objectif est d’établir un cadre de confiance avec les métiers (Finance, Supply, RH…).

Il y a eu 3 axes :

- Comprendre la compréhension des spécificités de chaque domaine (ex : la Finance a ses clôtures comptables, les équipes terrain ont besoin d’être autonomes…).

- Clarifier le fonctionnement de l’équipe Data (ex : ce que chaque équipe peut demander ou pas, comment l’équipe Data va répondre, où elle en est sur les projets…).

- Délivrer de la valeur rapidement (ex : avant de réfléchir aux gros projets qui prennent 6 mois, il faut se concentrer sur les quick wins).

“La confiance, elle est beaucoup passée par le fait de montrer que la data savait délivrer et trouver des solutions aux problèmes.”

Chantier #2 : Refondre l’architecture pour préparer la décentralisation et le Self-Service

La plateforme existante était monolithique (l’équipe travaillait sur un seul projet GCP qui mélangeait ingestion et analytique). Elle n’était pas suffisamment industrialisée pour envisager sereinement une décentralisation et du Self-Service.

L’équipe a mené plusieurs sous-chantiers techniques :

- Ils ont modularisé la plateforme en créant des modules distincts (ingestion, analytics, gouvernance) et des environnements de prod, pré-prod et sandbox pour les analysts bien séparés.

- Ils ont automatisé les configurations pour éviter d’avoir trop de paramétrages manuels sur l’infrastructure et renforcer la réactivité et la fiabilité de la plateforme.

- Ils ont mis en place les bonnes règles de traitement des données personnelles.

"L’objectif était de préparer le futur et la décentralisation. Il y a beaucoup de spécificités dans chaque domaine. On aura demain des environnements analytics Supply, Finance, RH… spécifiques ou les métiers pourront préparer leurs données en autonomie.”

La stack aujourd'hui : Python et Airflow côté engineering, SQL et dbt côté analytique, PowerBI pour la visualisation. L'équipe teste la couche sémantique de PowerBI et les outils GenAI (Copilot, Gemini) pour permettre un accès à la donnée en langage naturel.

Chantier #3 : Décentraliser et spécialiser les Data Analysts

L’équipe est passée de 4-5 à 12 personnes en deux ans. Aujourd’hui, elle se compose de 3 Data Engineers, 7 Data Analysts et 1 Product Manager.

Grégory a amorcé la décentralisation du côté des Data Analysts :

- Ils se sont spécialisés par domaine (Supply, Finance, RH…).

- Les profils les plus seniors passent 50% de leur temps directement intégrés dans les équipes métiers.

“Quand ils sont avec leur domaine, ils sont ambassadeurs de l’équipe Data, ils produisent des livrables concrets pour apporter de la valeur et accompagnent les utilisateurs de la data. Sur l’autre moitié de leur temps, ils s’assurent que la plateforme évolue dans la bonne direction.”

🎙 Le podcast avec Grégory, Head of Data chez Exotec

On aborde :

• Le parcours de Grégory : Cofidis, Decathlon, Exotec

• Le contexte de départ : une orga “helpdesk” centrée sur la BI (cf. zoom)

• Chantier #1 : Construire la confiance (cf. zoom)

• Chantier #2 : Refondre l’architecture et la stack (cf. zoom)

• Chantier #3 : Décentraliser et spécialiser (cf. zoom)

• Les difficultés : construire sur un terrain qui bouge, prouver la valeur de la data

• Le challenge du recrutement : le décalage entre le besoin et le marché

• Sa vision de l’analytics dashboardless : automatisation des décisions et intégration dans les outils opérationnels

• Les prochaines étapes : Self-Service, couche sémantique, GenAI, observabilité et gouvernance

“Les gens, ils utilisent nos dashboards, ils en sont contents, mais la vraie question, c’est est-ce que ça a un impact pour l'entreprise ? Je t'ai donné des chiffres mais concrètement, tu en as fait quoi ? Et quel impact ça a permis d'avoir sur l'entreprise ?”

Liens vers l’épisode : Apple Podcasts | Spotify

📚 La ressource recommandée par Grégory

• Le livre Antifragile de Nassim Taleb

“Souvent, on conçoit que ce qui est fragile, c'est ce qui va se casser sous contrainte et on le met en opposition à ce qui est solide. Lui, il expose un autre concept : l'antifragilité. Ce qui se renforce avec la contrainte. Ça m'a fait reconsidérer beaucoup de choses. On essaye trop de structurer, de stabiliser. Ce n'est peut-être pas ça la vraie clé.”

📆 Le prochain bootcamp Analytics Engineering démarre le 2 juin

En 2024, DataGen a lancé un bootcamp en Analytics Engineering en collaboration avec DataBird.

Le besoin en Analytics Engineers ou en Data Analysts “Full-Stack” a explosé.

J’observe cette tendance au quotidien dans mes échanges avec les leaders et experts data sur DataGen.

On a décidé avec DataBird d’unir nos forces pour créer le 1er bootcamp spécialisé sur le sujet :

✅ DataGen apporte sa vision du marché pour co-construire le programme

✅ DataBird apporte son expertise dans la formation (4000+ profils data formés)

Réserver un appel

Bienvenue dans l’édition #151 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur les 6 étapes de déploiement IA chez Criteo
🎙 Le podcast avec Sarah, Staff ML Lead chez Criteo
📚 Les ressources recommandées par Sarah

C’est parti !

🔍 Zoom sur les 6 étapes de déploiement IA chez Criteo

Ce zoom est tiré de l’échange qu’a eu Caroline avec avec Sarah, Staff ML Lead chez Criteo, l'une des premières licornes françaises, spécialisée dans le marketing digital qui propose une plateforme de ciblage publicitaire.

Criteo est l’une des boîtes françaises les plus matures en IA. Leurs algorithmes recommandent des produits à des millions d’utilisateurs en temps réel. Ils ont mis en place un process de développement industriel.

1/ Challenger les modèles existants

Tout part de l'observation. L'équipe analyse en continu les performances du modèle en production et identifie les axes d'amélioration (optimiser l'ingestion, utiliser une nouvelle techno GenAI...).

“Par exemple, on s’aperçoit que les recommandations sont moins bonnes sur une catégorie de produits et donc, on va creuser pour comprendre pourquoi. Est-ce qu’on a un problème d’ingestion de données ? Un manque de features dans le modèle ? Des hyperparamètres mal optimisés ?”

2/ Estimer le coût et les chances de succès

Avant de lancer les développements, Sarah évalue le coût du projet. Combien d’ingénieurs ? Combien de mois ? Quel budget GPU ? L’objectif est de décider en connaissance de cause si le projet vaut l’investissement.

“Avec une estimation des chances de réussite du projet et du coût, on peut décider si on veut le prioriser.”

3/ Mettre en place un PoC à petite échelle pour valider la direction

Une fois le projet validé, l’équipe commence petit. Elle travaille sur un échantillon réduit, itère vite et vérifie en continu avec des analyses que la direction est la bonne.

“On itère pour avoir la meilleure version du modèle possible et un candidat dont on se dit qu’il a ses chances de succès en production.”

4/ Passer à l’échelle avec du code prod-grade

Une fois le bon candidat identifié, l’équipe passe à la vitesse supérieure. Elle passe de l’expérimentation à du code robuste, testé, schedulé et prêt à tourner en temps réel et à grande échelle.

“Le modèle est entraîné sur tout le périmètre de données. Avoir du code prod-grade, c’est avoir du code robuste dans lequel on a confiance.”

5/ A/B tester sur une petite fraction du trafic réel et scaler progressivement jusqu’à 100%

Lorsque le modèle est prêt, l'équipe le déploie sur une toute petite portion d'utilisateurs et compare le modèle A (l'existant) au modèle B (le nouveau) sur des métriques business concrètes.

“On regarde en priorité les métriques business pour s’assurer qu’on a rien cassé. Quelle est la proportion de clics sur les produits recommandés par le modèle B ? Quelle est la proportion de conversion ?”

6/ Monitorer en continu

La mise en production n’est pas la dernière étape. Si l’algorithme casse, les utilisateurs le voient immédiatement : mauvaises recommandations, expérience dégradée, revenus en baisse…

Pour anticiper ça, l’équipe a mis en place un système d’alerting sur toutes les métriques clés (volume de données, distributions, moyennes par colonne...).

“Quand ça dévie des valeurs attendues, on va être alerté pour aller investiguer. Très souvent, il n’y a pas de problème. Mais quand il y en a un, il faut être réactif.”

🎙 Le podcast avec Sarah, Staff ML Lead chez Criteo

On aborde :

• Le parcours de Sarah : d’une thèse en ML à un poste de Lead chez Criteo

• Le rôle et l’organisation de son équipe

• Son gros projet en 2025 : la mise en production d’un LLM

• Le cycle de développement complet (cf. zoom)

• La stack qu’ils utilisent : open source et majoritairement in-house

• Les principaux challenges : qualité, temps réel et cycles d’itération rapides

• Les difficultés liées au management : anticiper les besoins, se coordonner avec le produit et les équipes commerciales

• Les prochaines étapes : passage à la recommandation en temps réel et adaptation aux recherches conversationnelles

“Développer des algorithmes de machine learning, ça peut prendre plusieurs mois, voire une année. L’enjeu majeur est de maintenir des cycles d’itération rapides pour pouvoir ‘fail fast’ et se rendre compte rapidement qu’on va dans la mauvaise direction.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 Les ressources recommandées par Sarah

• La newsletter The Batch de DeepLearning.AI

• Le blog de Criteo

“L’équipe suit la newsletter de DeepLearning.AI. On surveille également ce que font d'autres géants de la tech en termes de système de recommandation. Et on a notre propre blog tech aussi chez Criteo dans lequel on publie régulièrement.”

🤝 DataGen, c’est aussi un collectif de freelances data & IA issus des plus belles boîtes

Grâce au média, on a réuni une team de top freelances data & IA issus des plus belles boîtes (Google, Criteo, Decathlon, Artefact...).

Travailler avec nous : ici

Bienvenue dans l’édition #150 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur l'approche Analytics Engineering chez Back Market
🎙 Le podcast avec Matthieu, Analytics Engineering Manager chez Back Market
📚 Les ressources recommandées par Matthieu
📆 Le prochain bootcamp Analytics Engineering démarre le 6 juin

C’est parti !

🔍 Zoom sur l’approche Analytics Engineering chez Back Market - 5 min

Ce zoom est tiré de l’échange qu’a eu Caroline avec Matthieu, Analytics Engineering Manager chez Back Market, la marketplace de produits reconditionnés qui est présente dans 17 pays et qui compte plus de 15 millions de clients. Matthieu est arrivé chez Back Market il y a six ans comme Data Analyst, avant de construire et de manager l’équipe Analytics Engineering.

Le contexte de départ : quand chaque analyste réinventait la roue

Quand Matthieu arrive chez Back Market il y a six ans, il n’existe pas encore de data model structuré.

“Chaque analyste réinventait un petit peu la roue, on refaisait toutes les jointures depuis la raw data, donc c’était super time-consuming.”

Les 6 chantiers de l’équipe Analytics Engineering

• Chantier #1 : Construire le Data Model

Matthieu et 2 Data Analysts qui switch vers l'Analytics Engineering construisent les premières couches : staging pour cleaner la data, tables de dimensions et de faits, et une couche datamart consommable par les équipes.

“On utilisait un outil interne qui ressemblait fortement à dbt mais qui n’était pas aussi robuste et auquel il manquait pas mal de features.”

• Chantier #2 : Migrer vers dbt Core

La migration est motivée par 2 manques concrets sur l’outil homemade : les tests de qualité et la gestion de l’incrémental.

Voici leur stack actuelle : BigQuery, dbt, Tableau, OpenMetaData (catalog), Mergify (automatisation des PR) et Airflow côté data engineering.

• Chantier #3 : Ouvrir le Data Model

Rapidement, l’équipe Analytics Engineering de 5 personnes devient un bottleneck. Les Data Analysts contournent le data model, font leurs propres requêtes dans BigQuery, Google Sheets et Looker Studio. Back Market décide d’ouvrir le data model à tous les Data Analysts. Ils adoptent progressivement le process Git, l’enrichissement des couches dbt et le process de documentation du lineage.

“Les Data Analysts se sont bien frottés au jeu. Maintenant, on a 35 contributeurs réguliers sur le data model.”

• Chantier #4 : Qualité & documentation

Avec 35 contributeurs vient le besoin d’harmoniser les pratiques et de créer des standards de qualité et de documentation. Matthieu et son équipe introduisent un tiering des tables (tier 1 à 3 selon le niveau d’usage) et définissent par tier les exigences minimales : description des colonnes, owner, tests sur les primary keys.

“Il y a aussi un enjeu avec l’avènement des LLM. L’agent a besoin de contexte et la documentation, c’est un premier niveau de contexte. Sans elle, l’agent est perdu, il va utiliser n’importe quelle table.”

• Chantier #5 : Maîtriser les coûts

Back Market a migré récemment de Snowflake vers BigQuery (décision d’entreprise de centraliser tous les usages sur GCP). Cette migration a provoqué une explosion des coûts liée à la logique de billing au scan de BigQuery. Matthieu et son équipe ont construit un dashboard de monitoring, identifié des cost owners par verticale business et promu de nouvelles guidelines : clustering, partitioning, incrémental.

“Ça a été un mal pour un bien, puisque ça nous a permis de mettre notre nez dans le modèle et d’identifier les axes d’optimisation.”

• Chantier #6 : Stabiliser la stack

Avec la croissance du nombre de contributeurs, la stack devient instable. À un moment, un jour sur deux, un modèle casse ou est incorrect. Et lorsque ça tombe sur un modèle central, les conséquences sont importantes. La confiance des utilisateurs s’érode et l’équipe passe son temps à gérer des incidents plutôt qu’à construire de nouvelles choses.

Matthieu et son équipe ont déployé Mergify pour automatiser les règles de validation des pull requests sur GitHub et ont renforcé la CI/CD avec un environnement de préprod où chaque modèle tourne avant de passer en production.

“Avant, c’était complètement manuel. On regardait la pull request et on se disait : ah oui, mais là dans ta modification, il y a une partie finance, il faut peut-être aller valider avec la Finance. Maintenant, on s’assure que tout ce qui doit être vérifié l’est correctement.”

🎙 Le podcast avec Matthieu, Analytics Engineering Manager chez Back Market

On aborde :

• Le parcours de Matthieu, de Data Analyst à Analytics Engineering Manager

• Le contexte de départ : quand chaque analyste réinventait la roue (cf. zoom)

• Les 6 chantiers de l’équipe Analytics Engineering (cf. zoom)

• L’organisation de l’équipe Data globale chez Back Market

• Les 2 challenges principaux : Gouvernance et Self-Service

• Les prochaines étapes : Semantic Layer, Omni, LLM, onboarding des développeurs

“Depuis que je suis arrivé chez Back Market, j’entends “Self-Service, il faut faire du Self-Service”. Mais je ne sais pas s’il y a vraiment des boîtes qui ont réussi à faire du vrai Self-Service. Je pense que beaucoup s’y sont cassé les dents.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 Les ressources recommandées par Matthieu

• La newsletter du fondateur de dbt

• Le blog Blef.fr de Christophe Blefari

“Ces 2 ressources me permettent d’avoir une vision macro de ce qui se passe et de suivre les tendances.”

📆 Le prochain bootcamp Analytics Engineering démarre le 6 juin

En 2024, DataGen a lancé un bootcamp en Analytics Engineering en collaboration avec DataBird.

Le besoin en Analytics Engineers ou en Data Analysts “Full-Stack” a explosé.

J’observe cette tendance au quotidien dans mes échanges avec les leaders et experts data sur DataGen.

On a décidé avec DataBird d’unir nos forces pour créer le 1er bootcamp spécialisé sur le sujet :

✅ DataGen apporte sa vision du marché pour co-construire le programme

✅ DataBird apporte son expertise dans la formation (4000+ profils data formés)

Réserver un appel

🎙 Le podcast sur la tendance de l’Analytics Engineering et sur le programme du bootcamp

On a enregistré un épisode avec Alexandre, le co-fondateur de DataBird, pour expliquer plus en détail la tendance de l’Analytics Engineering et présenter le programme.

✅ Pourquoi le besoin en Analytics Engineering a explosé ?
✅ Qu’est-ce qu’un Analytics Engineer ?
✅ En quoi consiste le bootcamp ?
✅ Quels profils devraient se former à l’Analytics Engineering ?
✅ Quelques ressources pertinentes pour en apprendre plus sur le sujet

“Le métier de Data Analyst va se splitter en 2 avec d’un côté des Business Analysts plutôt orientés métier et de l’autre des Analytics Engineers qui deviennent plus techniques”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify | Deezer

Bienvenue dans l’édition #149 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur le déploiement d’une agent IA au coeur du produit
🎙 Le podcast avec Firas, Head of Machine Learning chez Gorgias
📚 La ressource recommandée par Firas
🎙 La masterclass sur la mise en place d’une stratégie GenAI

C’est parti !

📢 Vous connaissez Alteryx ?

L’outil permet aux profils non techniques d’exploiter leurs données.

Il est utilisé par plus de 8000 clients tous secteurs confondus : Telco avec Orange, Banque avec la Caisse d’Epargne mais aussi Pharma, Services financiers, etc.

Jérôme, Customer Success Manager chez eux, est venu en parler dans l’épisode 258. Ils ont également rédigé un guide pratique pour préparer ses données aux cas d’usage IA.

Un immense merci à Alteryx de sponsoriser DataGen. ❤️

🔍 Zoom sur le déploiement d’un agent IA au coeur du produit - 4 min

Ce zoom est tiré de mon échange avec Firas, Head of Machine Learning chez Gorgias, la scale-up qui propose une plateforme d’IA conversationnelle permettant aux e-commerçants qui vendent via Shopify de mieux gérer leur support client et d’augmenter leurs ventes (+15 000 clients, valorisée à +700 millions de dollars).

Ce que Gorgias propose avant l’arrivée des LLM

Lorsqu’un commerçant vend ses produits via Shopify, ses clients peuvent le contacter pour plein de raisons : poser des questions avant d’acheter, comprendre comment le produit fonctionne, suivre sa livraison…

Gorgias centralise toutes ces communications pour faciliter le travail des équipes qui gèrent le support client.

Avant l’arrivée des LLM, la plateforme proposait déjà de nombreuses automatisations qui permettaient aux clients des e-commerçants de trouver en self-service les informations dont ils avaient besoin (ex : un bouton qui te permet de suivre les livraisons).

Firas a été embauché pour identifier comment déployer plus d’automatisations de ce type en s’appuyant notamment sur du Machine Learning.

“À ce moment-là, les LLM ont commencé à arriver. Pour être honnête, on était un peu sceptiques au début, on n’était pas sûr de déployer un LLM en face des clients. Par exemple, comment ça se passe s’il hallucine ?”

Les chatbots conversationnels qu’ils ont déployés

• #1 - Le 1er chatbot conversationnel est spécialisé sur le support client

L’agent IA intègre un RAG qui s’appuie sur la base de connaissance du e-commerçant, il peut répondre directement à un certain nombre de questions comme “Où en est ma commande ?” ou “Quelle est votre politique de remboursement ?”

“Pour valider l’intérêt, on a posé une question simple aux bêta-testeurs : si on vous fait payer demain, est-ce que vous gardez le service ? Les gens nous ont dit : oui, bien sûr, ça me fait gagner du temps, je le garde !”

• #2 - Le 2nd chatbot combine le support client et la vente

Ils sont passés d’un agent qui ferme des tickets à un agent qui ouvre également des conversations, à l’image d’un vendeur en boutique qui répond aux questions mais qui peut également recommander des produits.

“On a essayé de combiner les 2 objectifs (support et vente) dans un même prompt mais on avait des réponses de mauvaise qualité. La solution a été de séparer les pipelines. Un LLM essaye de trouver la réponse (support). Un autre essaye d’identifier un nouveau besoin (vente). On met les résultats dans un prompt final et l’agent doit donner une réponse cohérente.”

L’organisation de l’équipe et le rôle du “ML Analyst”

Il sont 14 dans l’équipe de Firas et il y a 2 types de profils :

• 7 ML Engineers

• 7 ML Analysts

Le ML Analyst est un nouveau rôle que Gorgias a créé, à mi-chemin entre un Product Data Analyst et un ML Engineer :

• Il se positionne entre le Product Manager et les autres profils techniques impliqués sur le projet (ML Engineers et Software Engineers).

• Son rôle : comprendre la vision du PM, tester différentes options en modifiant l’architecture GenAI et le prompt system, créer ou modifier les APIs à intégrer et réaliser les AB tests pour valider l’impact.

“Ça peut être des anciens Data Analysts, Data Scientists ou Software Engineers qui souhaitent travailler sur ces sujets. On pense avoir besoin de plus de ML Analysts dans le futur.”

La stack agentique chez Gorgias

• FastAPI

• Kafka (pour le real-time)

• Vertex

• Temporal (pour tout ce qui est exécution durable)

• BigQuery (beaucoup utilisé par les ML Analysts)

“On y log toutes les prédictions, ça permet aux ML Analysts de sampler des exemples intéressants à revoir ou d’identifier un ticket client où l’agent n’a pas bien répondu.”

• Prompt Layer (pour le prompt registry)

“Je pense qu’on va migrer vers des outils plus matures dans un second temps. Mais ça fait le boulot pour l’instant, ça nous permet de versionner les prompts, ça nous donne une plateforme d’expérimentation.”

🎙 Le podcast avec Firas, Head of Machine Learning chez Gorgias

On aborde :

• Le parcours de Firas de la Tunisie à Gorgias en passant par l’ENS

• Le produit de Gorgias avant l’IA générative (cf. zoom)

• Le contexte lorsque les LLM émergent (cf. zoom)

• Les chatbots conversationnels qu’ils ont déployés (cf. zoom)

• Le problème du “grapevine effect” et la refonte de l’architecture

• L’organisation de l’équipe et le rôle du ML Analyst (cf. zoom)

• La stack agentique chez Gorgias (cf. zoom)

• Leurs 2 plus grosses difficultés : gérer la qualité des réponses et construire des feedback loops

• Leurs prochaines étapes : multiplication des LLM as Judge, nouvelles fonctionnalités ML pour améliorer l’agent IA

“Le plus gros chantier, c’est la qualité des réponses et la récupération du feedback. Comment on continue à prendre en compte les feedbacks des marchands, même s'ils ne sont pas structurés, pour améliorer la qualité des réponses.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 La ressource recommandée par Firas

• Les articles d'Anthropic et d'OpenAI sur l'évaluation et le prompt engineering

“Je conseille beaucoup leurs articles sur comment faire de l'évaluation et comment écrire un bon prompt. C’est plutôt nous qui apprenons comment parler avec le LLM que le LLM qui apprend à résoudre notre problème.”

🎙 La masterclass sur la mise en place d’une stratégie GenAI qui passe à l’échelle et génère du ROI

Axel de Goursac est Partner AI Lead chez KPMG France. Avant ça, Axel était Directeur de la Data Science et de l’IA au sein du groupe LVMH.

On aborde :

• La maturité actuelle des entreprises sur le déploiement de leur stratégie GenAI

• La 1ère phase “top-down” : identifier les rôles et les tâches, et estimer le ROI et la faisabilité des projets

• La 2ème phase “bottom-up” : réconcilier le ROI à un niveau global et créer un cadre de pilotage

• La 3ème phase : délivrer les quick wins, passer à l’échelle, piloter et synchroniser les équipes

“Beaucoup d’entreprises ont déployé des modèles d’IA générative générique. Ce 1er niveau est bien adressé. En revanche, elles ont du mal à passer à l’étape d’après : transformer les fonctions (ventes, opérations…) et mettre en place des cas d’usage à forte valeur ajoutée.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

Bienvenue dans l’édition #148 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur les 5 tendances Data Gouvernance de 2026
🎙 Le podcast avec Charlotte, experte Data & AI Governance
📚 La ressource recommandée par Charlotte

C’est parti !

📢 Vous connaissez Alteryx ?

L’outil permet aux profils non techniques d’exploiter leurs données.

Il est utilisé par plus de 8000 clients tous secteurs confondus : Telco avec Orange, Banque avec la Caisse d’Epargne mais aussi Pharma, Services financiers, etc.

Jérôme, Customer Success Manager chez eux, est venu en parler dans l’épisode 258. Ils ont également rédigé un guide pratique pour préparer ses données aux cas d’usage IA.

Un immense merci à Alteryx de sponsoriser DataGen. ❤️

🔍 Zoom sur les 5 tendances Data Gouvernance de 2026 - 4 min

Ce zoom est tiré de mon échange avec Charlotte, experte Data & AI Governance. Elle accompagne de très belles boîtes comme Pernod Ricard ou Disney et elle crée en parallèle du contenu sur LinkedIn sur ce sujet avec beaucoup de succès (+50K abonnés). Charlotte est identifiée par les leaders data comme l’experte n°1 sur la Data Gouvernance.

On décrypte ensemble les 5 tendances Data Gouvernance de 2026 à connaître.

1/ On revient à la réalité sur le sujet “AI for Data Governance”

L’année dernière, on entendait partout “L’IA va révolutionner la Data Gouvernance !” en automatisant le tagging, le remplissage des catalogues… Aujourd’hui, on en revient : c’est coûteux et le ROI est faible.

“Il vaut mieux se concentrer sur ses cas d’usage coeur business, ils vont générer beaucoup plus de ROI.”

2/ La Data Gouvernance “fédérée” devient le modèle dominant

Le modèle “fédéré” est ni 100% centralisé (goulot d’étranglement), ni 100% décentralisé (trop coûteux). Il est hybride avec une équipe centrale qui définit les standards et des équipes métiers qui sont de plus en plus autonomes.

“Par ailleurs, on voit de plus en plus un binôme Data Steward métier et Data Steward IT se créer. Lorsque le Data Steward métier identifie un besoin dans son outil métier (ex : une règle de qualité), c’est le Data Steward IT qui va pouvoir y répondre.”

3/ Les rôles de Data Gouvernance évoluent vers l’AI Governance

Quand tu gouvernes bien tes données, tu peux faire de l’IA, mais l’IA elle aussi a besoin d’être gouvernée. Elle a ses propres limites : biais, éthique, risques réglementaires (AI Act)…

“Ce sujet va prendre de l’ampleur dans les années à venir. Les équipes Data Gouvernance vont se renommer “Gouvernance Data & IA”.”

4/ La Data & AI Governance devient un sujet COMEX

Avec les opportunités liées aux IA Génératives, les CEO suivent de beaucoup plus près les sujets data. En conséquence, les leaders côté métiers sont plus engagés dans leurs rôles de sponsors sur les projets Data & IA et participent activement aux comités qui sont dédiés aux sujets Data & AI Gouvernance.

“Résultat : nouveaux budgets, plus de ressources allouées et projets accélérés.”

5/ L’implémentation des outils de Data Quality s’accélère

On a atteint une bonne maturité sur le déploiement des Data Catalogs. Aujourd’hui, les entreprises accélèrent sur l’adoption des outils de Data Quality. Elles ont pris conscience qu’il n’y aurait pas de valeur générée sur l’IA sans données de qualité.

“Encore une fois, avec l’arrivée des IA génératives, les entreprises se disent : ok, il nous faut des données de qualité, est-ce qu’il y a des outils sur le marché qui peuvent nous aider à aller plus vite ?”

🎙 Le podcast avec Charlotte, experte Data & AI Governance

On aborde :

• Le retour à la réalité sur le sujet “AI for Data Governance”

• Le modèle de Data Gouvernance “fédérée” comme modèle dominant

• Le nouveau bînome Data Steward Métier & Data Steward IT

• Les rôles de Data Gouvernance qui évoluent vers l’AI Governance

• Le fonctionnement de l’AI Governance dans la pratique

• La Data & AI Governance qui devient un sujet COMEX

• Comment ça se matérialise concrètement

• L’arrivée en phase d’industrialisation sur les Data Catalogues

• L’implémentation des outils de Data Quality qui s’accélère

“Pour la Data Quality, les entreprises utilisent les librairies type Great Expectations, les fonctionnalités de tests et d’observabilité de dbt ou des outils spécialisés type Tale of Data et Ataccama qui intègrent plus de fonctionnalités (alerting, gestion des rôles...).”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 La ressource recommandée par Charlotte

• The Data Letter de Hodman Murad

“Elle est Data Scientist et elle met bien en lumière les problématiques data que rencontrent un Data Scientist. Ça fait souvent le lien avec mes travaux sur la Data Gouvernance.”

Bienvenue dans l’édition #147 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur le déploiement d’une Data & AI Factory
🎙 Le podcast avec Christophe, VP Data chez Accor
📚 La ressource recommandée par Christophe

C’est parti !

📢 Vous connaissez Alteryx ?

L’outil permet aux profils non techniques d’exploiter leurs données.

Il est utilisé par plus de 8000 clients tous secteurs confondus : Telco avec Orange, Banque avec la Caisse d’Epargne mais aussi Pharma, Services financiers, etc.

Jérôme, Customer Success Manager chez eux, est venu en parler dans l’épisode 258. Ils ont également rédigé un guide pratique pour préparer ses données aux cas d’usage IA.

Un immense merci à Alteryx de sponsoriser DataGen. ❤️

🔍 Zoom sur le déploiement d’une Data & AI Factory - 4 min

Ce zoom est tiré de mon échange avec Christophe, VP Data chez Accor, le leader mondial de l'hôtellerie. Christophe pilote les équipes Data et IA de l'activité centrale d'achat du groupe. Cette entité sert bien évidemment les établissements du groupe Accor mais elle a également des clients en dehors du groupe.

Le contexte de départ

Lorsque Christophe arrive il y a 10 mois, l’équipe Data & IA est extrêmement challengée sur la valeur qui est créée.

“Quand tu parles à la boss des Achats, elle te dit : j’investis plusieurs millions d’euros par an dans cette entité data, et au-delà du reporting et des analyses, on a du mal à quantifier la valeur générée.”

Face à ce constat, Christophe décide de faire évoluer le modèle opérationnel de l’équipe. L'objectif est de passer d’une équipe centrée sur le reporting à une équipe qui développe des produits Data et IA.

L’engagement de Christophe

Pour convaincre la direction et rendre tangible la démarche, Christophe s'engage sur des objectifs concrets et mesurables.

“La promesse que j'ai faite en arrivant en mai 2025, c'était de dire qu’au 31 décembre (en 5 mois), on aurait 3 applications qui auraient coûtées maximum 60 000 euros chacune.”

L’identification des 1ers projets

Christophe et son équipe ont décortiqué les process de la centrale d'achat.

“On a parlé à de nombreux opérationnels pour comprendre comment ils bossaient et comment la data et l’IA pouvait s’insérer dans leurs processus de travail. Ça nous a permis d’identifier les segments d’activité les plus porteurs de valeur.”

Ils ont priorisé l’équipe commerciale car c’était le domaine où la Data et l’IA aurait le plus d’impact.

L’objectif était d’aider l’équipe commerciale à augmenter les ventes et acquérir de nouveaux clients.

“Quand tu es dans l’équipe commerciale de la centrale d’achat, tu as environ 10 000 clients déjà en portefeuille. Tu dois développer l’activité auprès de ce portefeuille existant et chercher des nouveaux clients. Par ailleurs, tu es constamment challengé sur un point qui est le prix. La promesse principale d’une centrale d’achat, c’est de faire baisser tes coûts.”

Les 2 premières applications développées

1. Opportunity Spotter : développer le portefeuille existant

L’application conseille au commercial de prendre contact avec les clients les plus stratégiques de son portefeuille puis identifie les produits à recommander aux clients (viennoiseries, blanchisserie…).

“C’est une application complète avec une interface qui peut être consultée au quotidien sur le terrain depuis son téléphone. Elle repose sur des algorithmes de scoring et de recommandation.”

2. Price Matcher : prouver la valeur de la centrale d’achat aux clients

L’application estime pour un client donné les économies qu’il va réaliser sur ses achats s’il passe par la centrale d’achat.

“On va pouvoir importer les factures existantes et les matcher avec les produits de notre catalogue pour estimer les économies que le client pourrait faire. Ça permet au commercial de prouver la valeur de la centrale d’achat tout de suite.”

🎙 Le podcast avec Christophe, VP Data chez Accor

On aborde :

• Son parcours : Data Scientist, Head of Data en Startup, VP Data chez Accor

• Le contexte de départ (cf. zoom)

• L’identification des 1ers projets (cf. zoom)

• L’engagement fort : 3 applications en 5 mois pour 60k€ chacune (cf. zoom)

• Les 2 premières applications (cf. zoom)

• L’organisation Data & IA chez Accor

• La stack : AWS, Snowflake, dbt, Airflow, Streamlit

• Les plus grosses difficultés : maintenir le rythme et scaler sans exploser les coûts

• Les prochaines étapes : redesigner les process de développement avec l’IA

“Quand tu multiplies les applications, les coûts augmentent avec la maintenance. On s’aperçoit que la seule issue est de refondre notre chaîne de développement, notamment avec l’IA. Sinon la promesse ne tient plus.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 La ressource recommandée par Christophe

• L'article sur le Data Mesh de Zhamak Dehghani publié chez Martin Fowler

“C’était vraiment l’article fondateur de l’approche. Il m’a beaucoup inspiré, notamment la partie sur l’autonomie.”

🎙 La masterclass pour scaler l’adoption des agents IA

Yoann Benoît est un expert Data, IA et Produit qui a fondé Hymaïa, l’agence spécialisée sur la transformation Data & IA des entreprises. Ils travaillent aussi bien avec des boîtes tech comme Leboncoin et des grands groupes comme Bel.

On aborde les 4 piliers clés :

• 1/ Outillage (Dust, Plateforme…) : l’importance de l’UX pour faciliter l’usage et la construction des agents

• 2/ Gouvernance & Leadership : identifier des sponsors dans chaque département et promouvoir l’exemplarité

• 3/ Formation : un roll-out progressif qui priorise les early adopters et des ateliers pratiques & gamifiés

• 4/ AI Champions & Product Mindset : créer une communauté de builders et infuser un mindset produit

“Même si ton but est de former tous les collaborateurs, il faut se concentrer au début sur les early adopteurs, c’est à eux que tu veux donner accès le plus vite possible aux bons outils, aux formations les plus avancées, etc. Ce sont eux qui vont incarner le changement et créer un effet boule de neige pour le reste de l’entreprise.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

PS : Yoann m’a fait une surprise en live, j’ai été très ému, à découvrir à la fin de l’épisode. 🙈

Bienvenue dans l’édition #146 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Comment Uber est devenue l’une des boîtes les plus data-driven au monde ?
🎙 Le podcast avec Marie-Camille, ex-Data Science Manager chez Uber
📚 La ressource recommandée par Marie-Camille
🎙 Les 3 tendances Data Analytics de 2026 à connaître

C’est parti !

🔍 Comment Uber est devenue l’une des boîtes les plus data-driven au monde ? - 4 min

Ce zoom est tiré de mon échange avec Marie-Camille, qui a passé neuf ans chez Uber dans la Silicon Valley. Elle est arrivée en 2016 en tant que Data Scientist avant d’être promue Data Science Manager. Elle a vu de près comment Uber est devenue l’une des boîtes les plus data-driven au monde.

Son arrivée chez Uber dans la Silicon Valley

Après un parcours assez classique en France (prépa puis les Ponts), Marie-Camille part faire un master en recherche opérationnelle à Berkeley avant de rejoindre Uber.

“L'ambiance et la culture très tech de la Silicon Valley m'ont beaucoup plu. J'ai rapidement su que j'allais rester.

Le projet de lutte contre la fraude sur lequel elle a travaillé

En 2020, Marie-Camille rejoint l’équipe Uber for Business. À cette époque, le taux de perte dû à la fraude est proche de 4%, ce qui représente des sommes considérables.

Les fraudeurs piratent les comptes d’entreprises et vendent des trajets au marché noir à prix réduits. Ils ciblent des comptes qui dépensent des centaines de milliers de dollars par mois pour que la fraude passe inaperçue le plus longtemps possible.

L’équipe a commencé par des algorithmes simples (détection d’anomalies spatiales, vérification des noms suspects) puis a développé des systèmes plus sophistiqués basés sur des structures de graphes.

Résultat : le taux de perte est passé de 4% à 1%.

“On a développé plusieurs algorithmes pour détecter la fraude. Les fraudeurs sont très intelligents et vont toujours trouver de nouvelles failles. C’est un cycle sans fin : ils ouvrent une faille, tu la bouches, ils ouvrent une faille, tu la bouches.”

Le moment où elle a failli se faire virer

À cette époque, Marie-Camille avait changé d’équipe et travaillait pour une startup qui avait été rachetée par Uber : Jump (micro-mobilité, e-bikes et e-scooters).

Pendant le COVID, comme pas mal de boîtes tech, Uber a licencié beaucoup de monde dont la majorité des salariés de cette startup Jump.

“Ça c’est passé du jour au lendemain : c’était un call à 8h du matin, un jeudi, ils ont annoncé aux quasi 500 personnes qui bossaient pour Jump qu’elles étaient virées. J’ai eu du bol, on était une petite vingtaine à ne pas être virée. Les US, c’est sans pitié. ”

Finalement, Marie-Camille a réintégré la maison mère d’Uber et a pris un rôle de Data Science Manager. Sur les années suivantes, elle a encadré jusqu’à 18 Data Scientists.

L’organisation tech & data chez Uber

Uber, c’est une grosse boîte avec environ 25 000 employés. Côté tech (construction d’app, algorithmes, produit), il y a environ 6 000 personnes et les équipes Data Science sont intégrées dans ces équipes tech.

“Il y a environ 200 Data Scientists chez Uber, peut-être un peu plus.”

Ce qui rend Uber vraiment data-driven

De manière générale, Uber travaille énormément sur la mesure d’incrémentalité. L’objectif est de déterminer si une nouvelle initiative ou une décision a un impact positif et apporte un incrément de valeur mais dans des contextes où on ne peut pas réaliser d’AB tests (trop de complexité, de manque à gagner…).

C’est là que le rôle de l’équipe Data Science est clé car il faut développer des modèles qui prennent ces décisions.

“Pendant mes neuf ans chez Uber, j’ai vu une énorme évolution, beaucoup de décisions qui étaient prises manuellement sont maintenant prises par des algos.”

3 facteurs ont accéléré l’adoption des algorithmes selon Marie-Camille :

1) Le niveau de scale : des dizaines de millions de trajets par jour et l’ambition d’atteindre le milliard d’utilisateurs rendent les optimisations impossible à gérer manuellement.

2) La marche vers la rentabilité : entre 2019 et aujourd’hui, Uber a dû faire toujours plus avec moins de personnes. Les algorithmes sont devenus indispensables.

3) Beaucoup de confiance dans la Data Science : l’entreprise au global accorde beaucoup de crédibilité à l’équipe Data Science car l’impact des algorithmes a été prouvé des 10aines de fois. Par ailleurs, tous les collaborateurs ont une appétence tech.

🎙 Le podcast avec Marie-Camille, ex-Data Science Manager chez Uber

On aborde :

• Son parcours des Ponts à Berkeley puis Uber

• La vie à San Francisco et dans la Silicon Valley

• Le projet de lutte contre la fraude

• Le moment où elle a failli se faire virer

• Son passage de Data Scientist à Data Science Manager

• L’organisation tech & data chez Uber

• Ce qui rend Uber vraiment data-driven

• Sa vision sur le “build vs buy”

  “Les fondateurs étaient très orientés maths et tech, notamment Travis. Et les équipes le sont aussi. Bien sûr, tout le monde n’est pas ingénieur mais tout le monde a cette appétence tech.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 La ressource recommandée par Marie-Camille

• Le podcast High Signal

“Un ancien collègue d’Uber a créé un podcast, plus récent que le tien, très orienté Data Science et version San Francisco.”

🎙 Les 3 tendances Data Analytics de 2026 à connaître

J’ai reçu Henri-François Chadeisson (HF) qui est expert data depuis 20 ans et qui est aujourd’hui Solution Engineering Director Europe chez Strategy Software (ex-MicroStrategy). Strategy est une solution de BI, de Semantic Layer et d’IA qui est valorisée plus de cinquante milliards de dollars et qui est utilisée par des groupes comme Société Générale, Monoprix ou Leclerc.

Dans cet épisode, on aborde les 3 grandes tendances Analytics du moment :

• #1 - L’accélération de la mise à disposition des données : contexte macro-économique, décentralisation, “chaos analytique”, GenAI…

• #2 - L’émergence des Semantic Layer Universels : agnostique des outils de Business Intelligence et multi-cloud

• #3 - Le cas d’usage IA “chat-with-your-data” : agents conversationnels branchés sur le Semantic Layer qui répond aux questions data

• Comment les solutions de Strategy Software s’intègrent dans ces tendances (ex : Mosaic, le Semantic Layer universel)

“Un semantic layer, c’est une couche entre ta data et tes usages. Tu pars de ta data brute et tu la transformes en langage métier exploitable par un utilisateur fonctionnel. La spécificité d’un Semantic Layer universel, c’est qu’au lieu d’être intégré dans un outil de reporting, il est transverse et exploitable pour tous les usages (dashboards, IA, requêtes…).

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

Bienvenue dans l’édition #145 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur la mise en place d’une BI orientée Self-Service
🎙 Le podcast avec Taha, ex-Lead Analytics Engineer chez Brevo
📚 Les ressources recommandées par Taha
🎙 L’épisode avec Alteryx, la solution qui permet aux profils non techniques d’exploiter les données

C’est parti !

🔍 Zoom sur la mise en place d’une BI orientée Self-Service - 4 min

Ce zoom est tiré de l’échange qu’a eu Caroline* avec Taha, Lead Analytics Engineer chez Brevo, la licorne française qui propose une solution de marketing automation.

*Caroline est une experte en Analytics Engineering et une nouvelle hôte du podcast DataGen.

Le contexte de départ et l’objectif

Brevo avait plus de 5 outils de Business Intelligence utilisés en parallèle : Tableau, ClickView, Looker, Metabase, Google Sheets…

Par ailleurs, il y avait peu de Self-Service : les Data Analysts recevaient trop de demandes et passaient leur temps à construire des dashboards.

L’objectif était double : centraliser toute la Business Intelligence sur un seul outil et mettre en place une Business Intelligence orientée Self-Service.

“Les équipes métiers pouvaient attendre plusieurs jours pour obtenir une réponse à leurs questions data. L’idée était qu’elles puissent y répondre elles-mêmes en autonomie.”

Le choix d’Omni pour la Business Intelligence

Initialement, Taha et son équipe se dirigaient vers Looker, qui permet de mettre en place une approche Self-Service (grâce à la fonctionnalité Explore) et les bonnes pratiques de Software Engineering (grâce à un Semantic Layer robuste).

À ce moment-là, ils ont découvert Omni, un outil de BI plus jeune qui a été construit par des anciens de chez Looker. Ils ont décidé de lancer un POC.

“En gros, ils ont reconstruit Looker mais en plus moderne.”

Les 2 fonctionnalités qui font la différence pour le Self-Service

1) La possibilité de créer des métriques custom comme on le ferait dans Excel

Par exemple, après avoir lancé une requête et obtenu un rectangle de données, on peut créer une nouvelle colonne qui devient la division d’une colonne par une autre comme sur Excel.

“Pour faire la même chose dans Looker, il fallait quelqu’un qui connaisse le Semantic Layer et sache coder en LookML. Avec Omni, c’est super intuitif, cette simplicité change tout pour le Self-Service.”

2) La fonctionnalité IA “chat-with-your-data”

Initialement, Taha et son équipe pensaient que la fonctionnalité IA d’Omni n’était qu’un gadget marketing.

Sur la base d’une question, la fonctionnalité était sensée présélectionner les bonnes dimensions, ajouter les filtres pertinents…

Pendant le POC, ils se sont rendus compte que la plupart des feedbacks positifs concernaient cette fonctionnalité.

“Ils nous disaient : ‘L’IA marche trop bien ! Je pose une question, elle me donne la réponse…’ Alors on a décidé de passer plus de temps sur le sujet, notamment sur la couche de contexte.”

🎙 Le podcast avec Taha, ex-Lead Analytics Engineer chez Brevo

On aborde :

• Le contexte de départ et l’objectif (cf. zoom)

• La choix d’Omni pour la Business Intelligence (cf. zoom)

• Les 2 fonctionnalités qui font la différence pour le Self-Service (cf. zoom)

• Comment garantir la qualité des réponses de l’IA

• Le déploiement à l’échelle : POC & Scale

• Le chantier Embedded Analytics

• La Data Visualisation avec Omni

• L’intégration dans Slack de la fonctionnalité IA

• L’organisation de l’équipe Analytics pour ce projet

• Les plus grosses difficultés rencontrées et les prochaines étapes

  “On a réussi à scaler l’adoption. On visait une personne sur trois. Finalement, presque 50% de la boîte est weekly actif sur Omni.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 Les ressources recommandées par Taha

• Lenny’s Podcast

“Il y a des épisodes qui concernent la data et d’autres qui sortent de l’ordinaire. Par exemple, il y a un épisode sur la prise de parole en public qui a complètement changé ma manière de voir les choses.”

• La chaîne YouTube de Supabase

“Ils publient des vidéos tuto de 5 minutes pour des profils techniques. Par exemple, comment utiliser Cloud Code, comment utiliser l'IA pour être plus performant dans son développement… Les vidéos sont vraiment bien. J'ai appris plein de choses.”

🎙 L’épisode avec Alteryx, la solution qui permet aux profils non techniques d’exploiter les données

J’ai reçu Jérôme Couzy, Customer Success Manager chez Alteryx, l’outil qui permet aux profils non techniques d’exploiter et de valoriser leurs données. La solution est utilisée par plus de 8 000 clients dans le monde, tous secteurs confondus, Telco avec notamment Orange, Banque avec la Caisse d’Épargne, mais aussi Pharma, services financiers, etc. Plus de 750 000 utilisateurs dans le monde utilisent la solution.

On aborde :

• La genèse et le positionnement actuel d’Alteryx

• Les 3 grandes briques de la solution

• Pourquoi les entreprises choisissent la solution et une comparaison avec Dataiku, Informatica et dbt

• Plusieurs cas d’usage (Telco, Banque) et l’impact des IA Génératives sur Alteryx

“La mission d’Alteryx, c’est de démocratiser l’accès à la donnée. On s’adresse à des utilisateurs qui ne sont pas techniques. Il y a trois grandes briques : la préparation de données, l’automatisation et l’analyse.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

Bienvenue dans l’édition #144 de la newsletter DataGen ! 👋

L’agenda de la semaine :

🔍 Zoom sur l'internalisation du Data Engineering chez Nestlé
🎙 Le podcast avec Jessica, CDO Europe chez Nestlé
📚 Les ressources recommandées par Jessica
🤝 DataGen, c’est aussi un collectif de freelances Data & IA

C’est parti !

🔍 Zoom sur l’internalisation du Data Engineering chez Nestlé - 4 min

Ce zoom est tiré de mon échange avec Jessica, CDO Europe chez Nestlé, le géant de l'alimentation qui compte 270 000 collaborateurs dont 65 000 en Europe. Avant cela, elle était CDO chez Agicap, une scale-up française.

Le contexte de départ : une équipe peu technique

Lorsque Jessica arrive chez Nestlé, la quasi-totalité des projets techniques sont externalisés. Les équipes internes ont principalement un rôle de coordination avec les prestataires, situés notamment en Inde.

“Les postes en data étaient plus des rôles de communication et de relation que des rôles techniques. Bien sûr, les gens se débrouillaient en SQL, mais l'usage du Python n'était pas du tout généralisé par exemple.”

La mise en place d’une stack data moderne

Initialement, la stack était centrée sur SAP et Azure. Snowflake était déjà déployé mais peu utilisé. Et la majorité des transformations étaient réalisées dans PowerBI.

Jessica et son équipe ont mené un gros chantier pour déployer des nouveaux outils :

• dbt

• Terraform

• Airflow

“On a convaincu le Global IT et fait approuver ces outils. C’était un long processus qui a duré 3 ans mais on réussi grâce au soutien de la direction.”

Recruter une équipe technique pour toute l’Europe

Jessica est passée d’un rôle de Head of Data Analytics France à un poste de Chief Data Officer Europe. Dans ce contexte, elle a pu créer une nouvelle équipe pour l’Europe de zéro et a recruté notamment des profils plus technique.

“Pour monter une équipe Data Engineering, il fallait avoir un périmètre et un budget plus grand. Ce n’était pas pertinent de le faire au niveau d’un seul pays.”

Aujourd’hui, l’équipe centrale est constituée de 22 profils techniques et Jessica encadre également 150 profils Data qui sont répartis dans les pays.

Pour attirer des bons profils dans l’équipe centrale, Jessica a fait le pari de recruter des profils juniors.

“Souvent, on se dit ‘je vais trouver mon Head of Data Engineering et puis il va recruter son équipe’. Le problème, c’est que ces profils-là ne vont pas avoir envie de venir au début. J’ai fait le pari de recruter des profils très jeunes, parfois qui sortent d’école, qui sont énergiques et brillants.”

Une vision long terme qui dépasse Nestlé : rendre l’Europe plus compétitive

Pour Jessica, cette réinternalisation des compétences techniques a un sens qui dépasse Nestlé.

“Ma vision, c’est de prouver qu’avec des équipes jeunes, motivées, brillantes, on peut être plus efficace que d’externaliser en Inde. Certes, les salaires sont plus élevés, mais on a plus de contrôle, on a une proximité et une interaction entre les équipes qui augmentent significativement l’impact de l’équipe.”

🎙 Le podcast avec Jessica, CDO Europe chez Nestlé

On aborde :

• Son parcours de la finance de marché à la Data Science

• Le contexte général chez Nestlé et l’arrivée de Jessica (cf. zoom)

• Les chantiers : création d’une équipe Data Engineering, internalisation et modernisation de la stack (cf. zoom)

• Les 2 cas d’usage phares : Marketing ROI et Consumer Data Hub

• Les plus grosses difficultés : qualité des données, agilité dans un grand groupe, résistance au changement, upskilling scientifique

• Sa vision long-terme qui dépasse Nestlé (cf. zoom)

• Les prochaines étapes de l’équipe

  “Je me suis perdue pendant dix ans en finance de marché. J’étais trader dans un hedge fund. Ensuite, j’ai repris les études à l’ENSAE, j’ai enchaîné les postes en tech de Data Scientist jusqu’à devenir CDO chez Agicap. Et puis Nestlé est venu me chercher.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 Les ressources recommandées par Jessica

• Le livre A Brief History of Intelligence par Max Bennett

“C'est fascinant, surtout pour les personnes qui nous écoutent car il fait le lien entre l'évolution, la biologie et le machine learning. C'est une énorme histoire, qui démarre il y a 550 millions d'années avec les bilatériens et les 5 breakthroughs qui nous emmènent à l'intelligence humaine.”

• Le podcast Freakonomics Radio de Stephen J. Dubner

“De l'économie à la finance, en passant par la physique, je trouve que c'est vraiment très enrichissant. Je n'ai plus de temps mort dans les métros ou dans les transports. C'est vraiment du contenu de très grande qualité.”

🤝 DataGen, c’est aussi un collectif de freelances Data & IA

Grâce à DataGen, on a réuni une team de 250 freelances data & IA, que des top profils expérimentés et issus des plus belles boîtes (BlaBlaCar, Decathlon, Critéo, Artefact, 55...) pour délivrer des projets data & IA.

On travaille avec une 30aine de clients (Decathlon, l’Ecole 42, Printemps...).

Travailler avec nous : ici

Bienvenue dans l'édition #143 de la newsletter DataGen ! 👋

L'agenda de la semaine :

🔍 Zoom sur le parcours d’Adil : de Data Analyst à Analytics Engineer
🎙 Le podcast avec Adil, Analytics Engineer freelance chez Lacoste
📚 La ressource recommandée par Adil
📆 Le prochain bootcamp Analytics Engineering démarre le 14 avril

C’est parti !

🔍 Zoom sur le parcours d’Adil : de Data Analyst à Analytics Engineer

Ce zoom est tiré de mon échange avec Adil, qui est passé de Data Analyst aux Jeux Olympiques de Paris 2024 à Analytics Engineer freelance chez Lacoste.

Son parcours avant de devenir Analytics Engineer

Adil a été Data Analyst pendant 3 ans au sein du comité des Jeux Olympiques 2024.

Pendant cette expérience, il a commencé à modéliser les données dans le Data Warehouse et donc à réaliser des missions d’Analytics Engineer.

“J’ai bien aimé développer des compétences pour mener des projets data de A à Z, de la collecte des données jusqu’à l’analyse en relation avec à la fois le métier et les Data Engineers.”

Sa spécialisation en Analytics Engineering

Après les JO, Adil s’est fixé pour objectif de devenir autonome sur toute la chaîne de la modélisation jusqu’à la BI et l’analyse.

Il a réalisé que dans son expérience au Comité d’Organisation des Jeux olympiques, il n’utilisait pas les meilleurs outils ni les meilleures pratiques (ex : l’équipe n’utilisait pas dbt).

“J’ai voulu aller vers l’Analytics Engineering pour étendre mon champ de compétences. Je savais que si je voulais continuer dans cette voie-là, il fallait que je me forme sur les meilleurs outils et aux meilleures pratiques.”

Comment ? Un bootcamp à mi-temps sur 6 semaines

Il a rejoint le bootcamp Analytics Engineering qu’on a lancé en collaboration avec DataBird.

“J’aurais pu me former en cherchant un cours pour chaque outil mais je me suis dit que j’aurais du mal à recréer un programme global cohérent.”

Le programme couvre 6 modules :

1. SQL avancé & GCP

2. Mise en production d’ETL (Fivetran, Airbyte)

3. dbt et la modélisation

4. dbt et les tests

5. CI/CD et Git

6. Projet end-to-end jusqu’à la BI en Self-Service

“J'ai beaucoup aimé le bootcamp. Déjà, le curriculum me plaisait bien. Mais aussi le format qui était à la fois asynchrone et live : tu apprends à ton rythme et tu as 2h de live avec un formateur chaque semaine pour poser tes questions et adopter les meilleures pratiques."

Avec un impact direct sur sa carrière

À la fin de sa formation, Adil publie un post sur LinkedIn où il explique qu’il se lance en freelance suite au bootcamp. Il attire l’attention d’un manager data chez Lacoste qui lui propose une mission dans la foulée.

"Si je n'avais pas fait la formation en Analytics Engineering, je n'aurais probablement pas été contacté pour cette mission”.

Chez Lacoste, Adil a travaillé pour le e-commerce au sein de l'équipe Data et CRO (Conversion Rate Optimization). Concrètement, il a modélisé des données en utilisant dbt et GCP et a déployé des dashboards sur Looker Studio.

“J'ai pu prendre en main l'outil rapidement et j'ai été opérationnel très vite, ce qui est clairement le but quand on recrute un freelance.”

Au moment où je vous écris, il enchaîne sa 3ème mission en freelance chez Clarins.

🎙 Le podcast avec Adil, Analytics Engineer freelance chez Lacoste

On aborde :

• Le parcours d’Adil : de Data Analyst à Analytics Engineer (cf. zoom)

• Pourquoi il a décidé de se spécialiser sur l’Analytics Engineering (cf. zoom)

• Comment il s’y est pris pour se former et pourquoi le bootcamp (cf. zoom)

• Son retour d’expérience détaillé sur le bootcamp : format, outils et apprentissages

• Comment la formation l’a aidé concrètement chez Lacoste (cf. zoom)

• Ses missions chez Lacoste en détail

• Data Analyst vs Analytics Engineer vs Data Analyst Full Stack

• Ses conseils pour quelqu’un qui souhaite faire la même transition

• L’état du marché freelance et pourquoi une spécialisation Analytics Engineering fait la différence

"J’ai beaucoup épluché les différents sites d’offres d’emploi et je constate qu’il y a de plus en plus d’offres de missions pour des Analytics Engineers. Et je vois que même sur les offres de Data Analysts, on demande de plus en plus de maîtriser l’Analytics Engineering.”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify

📚 La ressource recommandée par Adil

• Les formations de dbt Labs

“Pour rester à jour, je suis la page LinkedIn de dbt. Il y a souvent du contenu de personnes spécialisées sur l'outil qui partagent les best practices.”

📆 Le prochain bootcamp Analytics Engineering démarre le 14 avril

En 2024, DataGen a lancé un bootcamp en Analytics Engineering en collaboration avec DataBird.

Le besoin en Analytics Engineers ou en Data Analysts “Full-Stack” a explosé.

J’observe cette tendance au quotidien dans mes échanges avec les leaders et experts data sur DataGen.

On a décidé avec DataBird d’unir nos forces pour créer le 1er bootcamp spécialisé sur le sujet :

✅ DataGen apporte sa vision du marché pour co-construire le programme

✅ DataBird apporte son expertise dans la formation (4000+ profils Data formés)

Réserver un appel

🎙 Le podcast sur la tendance de l’Analytics Engineering et sur le programme du bootcamp

On a enregistré un épisode avec Alexandre, le co-fondateur de DataBird, pour expliquer plus en détail la tendance de l’Analytics Engineering et présenter le programme.

✅ Pourquoi le besoin en Analytics Engineering a explosé ?
✅ Qu’est-ce qu’un Analytics Engineer ?
✅ En quoi consiste le bootcamp ?
✅ Quels profils devraient se former à l’Analytics Engineering ?
✅ Quelques ressources pertinentes pour en apprendre plus sur le sujet

“Le métier de Data Analyst va se splitter en 2 avec d’un côté des Business Analysts plutôt orientés métier et de l’autre des Analytics Engineers qui deviennent plus techniques”

Liens vers l’épisode : Apple Podcasts | YouTube | Spotify | Deezer

🧐 Les modalités du bootcamp

Il est finançable via CPF / OPCO et le prix du bootcamp est à 2990€.

Le bootcamp est à destination de profils data déjà expérimentés sur SQL. Il y a un petit test à passer.

Par ailleurs, on limite les places afin de sélectionner les meilleurs profils et de garantir la qualité du bootcamp.

Je te partage ci-dessous le lien pour réserver un appel gratuit et candidater.

Réserver un appel

Bienvenue dans l’édition #142 de la newsletter DataGen ! 🥳

Pour cette édition spéciale, je t’ai préparé une synthèse de 10 outils Data & IA à suivre en 2026. J'ai étudié chaque outil et reçu un expert de chacun d’entre eux sur le podcast.

J'y détaille :

• Où se positionnent ces 10 outils dans la stack data & IA ?

• Pourquoi les suivre en 2026 ?

Si tu veux creuser, tu trouveras pour chaque outil le lien vers l’épisode et le LinkedIn de l’expert avec lequel j’ai échangé.

C’est parti !

dbt

🔎 Où il se positionne dans la stack data

dbt est l’outil qui est au centre de la Modern Data Stack. Il permet de transformer la donnée dans le Data Warehouse en utilisant du SQL uniquement ce qui accélère le déploiement des projets data. Le 2nd bénéfice majeur est l’amélioration de la fiabilité des données car l’outil permet de centraliser les transformations et facilite l’adoption des bonnes pratiques de software engineering (ex : tests de qualité).

👀 Pourquoi le suivre en 2026

Jusqu’à 2025, dbt était déjà l’outil le plus mentionné sur DataGen et donc potentiellement le plus adopté. En 2025, dbt a été racheté par Fivetran (un des leaders sur le marché de l’ingestion). Ce nouveau groupe devient un géant de la data qui va concurrencer auprès des grandes entreprises les mastodontes du marché de l’ETL, Extract Transform Load (ex : Informatica).

🎙 Episode #179 avec Jeremy Cohen

Palantir

🔎 Où il se positionne dans la stack data

Palantir est une plateforme data & IA qui permet de mettre en production ses cas d’usage à l’échelle. Leur mission est de concilier la puissance de la data & de l’IA avec la sécurité & la confidentialité des données. Ils ont un positionnement unique sur le marché : plateforme end-to-end (nativement), standards de sécurité très élevés et interopérabilité (i.e. on peut activer que la partie de la plateforme dont on a besoin).

👀 Pourquoi le suivre en 2026

Peu connue du grand public, l’entreprise est utilisée par des acteurs clés dans l’automobile (Stellantis, Forvia), l’aéronautique (Airbus), le secteur bancaire et assurance, ainsi que l’industrie au sens large. Elle est valorisée aujourd’hui presque 400 milliards de dollars.

🎙 Episode #187 avec Agathe Verro

Tableau

🔎 Où il se positionne dans la stack data

Tableau est un outil de Business Intelligence historiquement reconnu pour la qualité visuelle des dashboards qu’on peut construire avec l’outil. Il propose également toutes les fonctionnalités de Data Management nécessaires à la construction de dashboards (ex : préparer les données, les modéliser…).

👀 Pourquoi le suivre en 2026

Tableau a sorti rapidement des fonctionnalités d’IA Génératives qui facilitent l’analyse des données en Self-Service aux Data Analysts et aux profils Business. Par exemple, “Tableau Agent” est un assistant intégré dans l’interface de Tableau qui permet à l’utilisateur de poser des questions et d’explorer la donnée liée aux sources qui sont derrière le tableau de bord.

🎙 Episode #191 avec Yann Tanguy

Agentforce

🔎 Où il se positionne dans la stack data

Agentforce est le nouveau produit de Saleforce qui permet de lancer des agents IA. Pour rappel, un agent IA est capable de raisonner et de mener des actions opérationnelles (appels API). Par exemple, il peut modifier une commande sur un site e-commerce, il va vérifier si la commande n’est pas déjà expédiée, vérifier si mes infos de paiement sont enregistrées puis modifier la commande à ma place.

👀 Pourquoi le suivre en 2026

Le potentiel est énorme, c’est la nouvelle priorité des entreprises les plus innovantes. En 2025, le CEO de Salesforce a expliqué qu’ils avaient investi massivement sur le sujet, avec notamment des milliers de recrutements pour déployer Agentforce. Par ailleurs, avec la base énorme de clients qu’a Saleforce, l’adoption devrait être énorme.

🎙 Episode #197 avec Guillaume Leheuzey

Sifflet

🔎 Où il se positionne dans la stack data

Sifflet est une solution de Data Observability qui apporte de la visibilité sur tout ce qui se passe dans une Data Platform et qui accélère la résolution des problèmes. Les fonctionnalités permettent de détecter les anomalies, analyser les causes et gérer & résoudre les incidents (ex : informations fausses sur un dashboard stratégique).

👀 Pourquoi le suivre en 2026

La donnée est devenue un produit transactionnel. À cause d’une erreur dans une base de donnée, une entreprise peut rencontrer un problème opérationnel coûteux (ex : erreur dans une livraison client) ou passer à côté d’une opportunité financière (ex : mauvaise prévision de stocks). Il y a dorénavant une tolérance zéro pour ces erreurs. Depuis 2021, Sifflet a convaincu de nombreux clients : des grands groupes comme Carrefour, BBC, Saint-Gobain mais aussi par des scaleups comme Dailymotion.

🎙 Episode #204 avec Salma Bakouk

Informatica

🔎 Où il se positionne dans la stack data

Informatica propose une plateforme de Data Management complète qui permet de préparer ses données pour l’Analytics et l’IA. Elle couvre beaucoup de besoins : ingestion & qualité de données, Master Data Management (Vision à 360°) et gouvernance & catalogue de données.

👀 Pourquoi le suivre en 2026

Informatica a été racheté en 2025 par Salesforce pour 8 milliards de dollars. J’ai réalisé à quel point la solution était adoptée en découvrant le montant de leur rachat. De fait, elle est utilisée par énormément d’acteurs : Apple, Tesla, Sanofi… mais aussi par des plus petites structures.

🎙 Episode #210 avec Are Hegdal

Airbyte

🔎 Où il se positionne dans la stack data

Airbyte est un outil d’ingestion moderne et open source qui accélère la mise à disposition des données. Avant, pour créer un KPI, il fallait développer des connecteurs en interne pour récupérer les données des différentes sources (ex : CRM…). Ajourd’hui, Airbyte propose tous les connecteurs prêts à l’emploi : tu peux récupérer la donnée de n’importe quelle source dans ton warehouse en quelques clics. Ils font justement ça grâce à une approche open source, c’est la communauté qui développe et maintient les connecteurs.

👀 Pourquoi le suivre en 2026

Airbyte est l’un des outils modernes leaders du marché. La solution rencontre un succès fulgurant depuis quelques années. Elle est utilisée par énormément de boîtes, et c’est d’ailleurs la solution d’ingestion la plus citée sur DataGen. Leur dernière levée de fonds (2021) s’élevait à 150 millions de dollars valorisant la boite à 1.5 milliards de dollars.

🎙 Episode #215 avec Michel Tricot

Retool

🔎 Où il se positionne dans la stack data

Retool est un outil low code qui permet de déployer beaucoup plus rapidement ses solutions data & IA. L’outil est adopté pour 3 autres raisons : 1/ il permet de passer de la visualisation (BI) à l’action (ex : feedback sur les insights, remontée d’erreurs dans les données), 2/ l’outil est pensé pour les Tech (contrairement au no code) et 3/ il intègre des standards de sécurité élevé (ex : réplication automatique des règles de sécurité d’un Data Lake type Databricks).

👀 Pourquoi le suivre en 2026

La tendance du low code explose dans le secteur de la Data et de l’IA. Retool est déjà massivement adopté par les équipes Data & IA aux US et en Europe. Ils ont convaincu des géants comme OpenAI, Nvidia, Disney aux Etats-Unis ou Pernod Ricard et Decathlon en France. L’entreprise était déjà valorisée 3.2 milliards de dollars lors de leur dernière levée en 2022. Récemment, ils ont accéléré sur l’IA et permettent d’intégrer des agents IA directement dans ses solutions Data & IA.

🎙 Episode #222 avec Alexis Ego

Denodo

🔎 Où il se positionne dans la stack data

Denodo est la solution de virtualisation de données qui permet d’accélérer le time-to-market de ses projets Data & IA. Le problème qu’ils résolvent est simple. Les données sont distribuées dans plein de sources (data lakes, on-prem…). L’approche traditionnelle est de centraliser les données en lançant des chantiers de migration longs et coûteux. Avec Denodo, au lieu de répliquer la donnée, tu te connectes directement aux sources et exécutes des requêtes distribuées (une requête SQL appelle simultanément des données dans ton data lake cloud et on prem).

👀 Pourquoi le suivre en 2026

Denodo facilite l’adoption d’une approche multi-cloud et renforce la souveraineté des entreprises (moins de “vendor lock-in”). En 2026, la souveraineté est un enjeu crucial pour les entreprises. Par ailleurs, Denodo est peu connu du grand public mais est un acteur majeur. Ils ont levé 330 millions de dollars en 2023 et sont utilisés par presque un tiers du CAC 40, notamment la BNP, Total Energies ou le Crédit Agricole.

🎙 Episode #230 avec Olivier Tijou

Adobe

🔎 Où il se positionne dans la stack data

Adobe est un éditeur qui propose de nombreuses solutions et notamment des solutions data & IA pour le Marketing : création de visuels via IA Générative (Adobe Firefly), hébergement de visuels (Adobe Experience Manager Assets), Data Plateform (Adobe Real-Time Customer Data Platform), activation marketing (Adobe Campaign) et analyse de données (Adobe Analytics).

👀 Pourquoi le suivre en 2026

Pour leurs campagnes marketing, les grandes entreprises créent des milliers “d’assets” pour tous les canaux (sites web, réseaux sociaux, offline…) et tous les contextes (pays, langues, saisons…). Adobe permet de les décliner automatiquement via des fonctionnalités GenAI type Adobe Firefly.

🎙 Episode #241 avec Kévin Bourlier

Omni (bonus 🎁)

🔎 Où il se positionne dans la stack data

Omni est un outil de Business Intelligence qui est arrivé sur le marché en 2022 avec une vision précise : réconcilier les outils robustes (comme Looker), excellents pour la modélisation de données et la gouvernance, avec des outils plus légers (comme Metabase), mieux adaptés aux analyses rapides (type Excel) et aux requêtes SQL. Omni rassemble ces usages dans un seul outil.

👀 Pourquoi le suivre en 2026

Omni a connu une adoption rapide ces dernières années. En 2025, Omni a levé 69 millions de dollars et a atteint une valorisation de 650 millions de dollars. De nombreux leaders data choisissent désormais d’abandonner leurs outils de BI traditionnels au profit d’Omni. Par ailleurs, avec le Semantic Layer qu’ils ont développé, le cas d’usage IA “chat with your data” fonctionne.

🎙 Episode #247 avec Colin Zima (en anglais, Colin est Américain)

🤝 DataGen, c’est aussi un collectif de freelances data issus des plus belles boîtes

Grâce à DataGen, on a réuni une team de 250 freelances data, que des top profils expérimentés et issus des plus belles boîtes (BlaBlaCar, Decathlon, Critéo, Artefact, 55...) pour délivrer des projets data & IA.

On travaille avec une 30aine de clients (Decathlon, l’Ecole 42, Printemps...).

Travailler avec nous : ici