ORIENTER L'EFFORT DEE VENTE

– Marc — 00:33 : (introduction) 

 Aujourd’hui, je reçois Nicolas Marchais, ingénieur de l’école polytechnique et l’université de Berkeley en Californie. Il lance une première aventure entrepreneuriale avec crowd campus, rejoint finalement Rodolphe ardent qui développe spender SK au tout début de la start-up dans le start-up Studio offenders. Alors qu’ils sont encore que 2 avec le site O et depuis 2016 il est en charge des aspects liés à la croissance et au développement de l’entreprise. Il quitte l’aventure à la rentrée 2022 pour poursuivre d’autres projets entrepreneuriaux. Spender, c’est une entreprise qui a levé 250000000 depuis sa création et qui fait aujourd’hui plusieurs dizaines de millions de chiffre d’affaires partout en Europe. Il y a plus de 3000 clients et plus de 500 salariés qui œuvrent au quotidien. Bonjour Nicolas. 

– Nicolas — 1:33:

 Salut Marc. 

– Marc — 1:34 :

 Alors peut être pour commencer, tu peux nous parler de Spend Desk, qu’est ce que fait cette entreprise exactement? 

– Nicolas — 1:38 :

 A Spendesk la mission qu’on a, c’est d’aider les salariés, les équipes financières à mieux gérer les dépenses de l’entreprise au quotidien. Donc 2015 Rodolphe Ardan il a identifié l’expérience autour des achats en entreprise et c’était très pénible pour les salariés. D’un côté, les équipes financières de l’autre et en parallèle on voyait en B to c avec révolute Lydia, des produits comme ça, c’est en train de se fluidifier au maximum et on s’est dit. Forcément quelque chose à faire. Utiliser des technologies Fintech, intégrer tout ça dans des solutions logicielles pour améliorer ça dans le milieu de l’entreprise. Et donc c’est ce qu’on a fait. Cependant, c’est un logiciel, une application mobile qui intègre l’ensemble des méthodes de paiement des cartes bleues virtuelles. La gestion de facture des cartes bleues pour le terrain de la note de frais et qui est utilisée au quotidien par les salariés d’une entreprise. 

– Marc — 02:26 :

 Et ton rôle là-bas, c’était quoi ?

Nicolas : 

Mon rôle chez spendesk à l’époque, quand j’ai rejoint en 2016 sur la première phase de l’aventure, c’était d’aider l’équipe. À identifier les segments de marché sur lesquels notre offre allait résonner. Donc ça, c’est la première phase d’aventure d’une start-up. C’est cette processus de découverte ,de Discovery qui vient nous aider à trouver un canal de distribution. Quel est le bon produit pour quel est le bon segment de marché? Ça occupait les 2 premières années et à partir du moment, on a trouvé ça, on allait lever des capitaux pour pouvoir accélérer la croissance, accélérer le développement du produit et saisir l’opportunité de marché qu’on avait identifiée à ce moment-là. Mon rôle est a évolué, je me suis occupé de développer avec d’autres personnes l’effort commercial de l’entreprise. Et donc manière fonctionnelle de m’occuper du marketing des ventes, du customer success, des opérations, bref de l’ensemble des muscles qui sont nécessaires pour développer une entreprise logicielle sur un segment B to B de de PME

– Marc —03:17 :

 Et alors la data chez vous, à quoi à qui ça sert? Comment c’est géré? 

– Nicolas — 03:22 :

 La data, il y a eu plusieurs stades de maturité. Je pense qu’un des belles choses qu’on a faites au début, c’est investir très tôt. On était à peu près 15 salariés sur un profil pour venir être responsable de l’ensemble des éléments data. 

Marc : D’accord

Nicolas: Je me souviens à l’époque, c’était des discussions, on n’était pas tout à fait d’accord. D’ailleurs, sur la pertinence de recruter. Un leader data à ce moment-là? Mais c’est quelque chose qui nous a vachement aidé. Très tôt, on était une quinzaine, une vingtaine de salariés, donc on faisait moins de 1000000 de chiffre d’affaires. C’était vraiment un un Move, une action à l’époque qui était pas courante, mais c’était une conviction qui avait Rodolphe et qui avait complètement raison puisque ça nous a permis de structurer là-dessus. Après, quand la maturité de l’entreprise évolue, la culture data évolue aussi, une bonne culture data pour moi, elle est adaptée aux différents niveaux de maturité de l’entreprise, elle est adaptée aux besoins et un business qui est data driven, c’est ce que nous, on a développé, c’est un business ou la data, elle est valorisée. Elle est utilisée efficacement et elle est utilisée partout tout le temps pour tout un tas de sujets 

Marc – 4:07: 

alors par exemple dans ton cas tout ce qui est l’équipe revenue marketing sales customer success, qu’est-ce que vous faites concrètement au quotidien avec la data? 

– Nicolas — 04:15 :

 Il y a plusieurs niveaux d’intervention de la donnée au quotidien. Ce qu’on essaie de faire, c’est l’utiliser pour des sujets opérationnels, donc pour le pilotage au quotidien, donc typiquement exemple sur une équipe de vente pour aller piloter le pipeline, pour aller piloter les ventes. L’efficacité du funnel de vente. Ça, c’est plus opérationnel, avec des moments, des rendez-vous dans le calendrier. On sait exactement ce qu’on va regarder, à quel moment, sur un niveau un peu plus supérieur de planification. Mais une fois qu’on a passé la première phase, un peu d’inconnu de la start-up qu’on est en train de développer une entreprise, on va venir planifier donc la la donnée va venir nous aider à identifier les zones. où On peut aller chercher de la performance, chercher de l’optimisation, donc ça peut être par exemple sur les segments de marché qui marchent le mieux, donc on va venir garder l’usage produit. On va venir regarder le revenu par client. Et ça nous permet de concentrer ensuite l’effort commercial, l’effort marketing sur les meilleurs clients pour le business. Puis 3ème exemple, ça va être plus un niveau stratégique,  la donnée, ça peut aider sur des équipes revenues à venir améliorer la structure de prix. Le packaging du logiciel qu’on vend donc, typiquement, on peut venir identifier, faire des études pour voir si telle ou telle modification dans la structure de prix, connaître le rendement de cette modification là donc ça c’est des choses qu’on utilise à ces 3 niveaux, donc opérationnel. Au niveau de la planification, on va dire au rythme du trimestre, du semestre et puis au niveau plus stratégique, sur des projets annuels on va dire. 

– Marc — 05:39:

 D’accord sur l’opérationnel mentionné donc le fait, on sait exactement quoi regarder à quel moment , ça vaudrait peut être le coup de l’expliciter un peu plus concrètement. De quoi on ici?   

– Nicolas — 05:49 :

 Ce que j’ai remarqué là les 7 dernières années, c’est quand il y a peu de maturité data dans l’entreprise, on vient juste de manière descriptive. On vient d’écrire ce qui s’est passé. Ah, j’observe que telle campagne marketing marche, on n’a pas marché. J’observe que telle équipe de vente est performante ou non performante. Et puis, à un moment donné, on se rend compte que la donnée, elle doit venir nous aider à passer au stade d’après qui est diagnostic. Et puis au stade encore d’après, qui est forward looking. Donc c’est à dire fort caste prévoir dans le futur ce qui va se passer et donc y a des moments où on vient d’écrire les résultats. Il y a des moments où on vient diagnostiquer ce qui s’est passé. Il y a des moments, on vient identifier dans le futur ce que ça va donner et idéalement on arrive à un stade où là donner ,la structure, les outils qu’on a nous donnent des actions pour pouvoir corriger aujourd’hui, en fonction du résultat anticipé dans le futur. Donc ça veut dire que typiquement, dans le rythme de la semaine on peut venir décrire où on en est OK donc ça peut être un meeting commercial, un meeting avec l’équipe de la Cour de manager, donc c’est à dire les gens qui s’occupent des clients existants où meeting du marketing du lundi, on vient observer la performance des actions en cours. Et puis il y a le moment toutes les 2 semaines, on vient davantage ajuster le forecast, donc c’est à dire est ce qu’on pense atterrir dans un mois dans 3 mois en fonction du rythme actuel? Il y a des moments diagnostiques typiquement à la fin de tous les trimestres. On travaille notre calendrier opérationnel et cale sur le rythme du trimestre sur les épreuves et donc à la fin d’un trimestre, on vient de diagnostiquer ce qui s’est passé, décortiquer. Comprendre dans l’équation du revenu ou est-ce qu’on était bon, où est-ce qu’on était pas? Voilà donc ça, c’est différents moments, ce qui est très important pour qu’on soit pas perdu finalement. Donc qu’est ce qu’on regarde quand qu’on sache un moment? Je regarde un point de données, je sais quel type d’action je peux prendre derrière. 

– Marc — 06:41 :

 Vous faites de la validation aussi, peut-être quand vous avez une intuition qui est développée par la data, que voulez mettre en place par exemple. Tu parlais de changement de prix, ce genre de choses, est-ce que vous validez votre intuition par un à B testing ou simplement en regardant dans le passé les performances? 

– Nicolas — 06:59 :

 Ben une bonne culture data, c’est une culture data qui comprend que l’intuition et la donnée, travaillent ensemble, ça marche ensemble. L’intuition, c’est finalement ton subconscient qui te dit OK avec l’ensemble des points de données que j’ai, mon expérience, mon histoire, j’ai une intuition qu’on doit faire ça. La bonne culture. D’abord, elle valorise les 2 et donc soit le point de départ, c’est l’intuition, soit le point de départ, c’est une analyse quantitative, ce qui est très important, c’est ne pas rester au stade de je regarde les chiffres, j’en déduis des actions, mais c’est d’aller compléter avec des interviews Terrains, des interviews qualitatives pour pas tomber dans des erreurs grossières parce que la donnée est corrompue où là donnée n’est pas de bonne qualité. Une mauvaise culture data, elle dit Ben non, l’intuition ça compte pas. Si tu viens avec une expérimentation, une hypothèse, quelque chose que t’as envie de tester, il faut absolument que ce soit backé par la data, non, si l’échantillon est pas de taille suffisante EN B to B,  ça se compte en centaines de clients au début on peut pas faire des A/B testing, il faut qu’il y ait un certain volume derrière et donc on peut essayer d’il faut essayer de trouver des expérimentations. Ou le le signal est suffisamment important par rapport au bruit quoi. L’échantillon est taille suffisante et donc c’est pour ça qu’avoir une vraie approche de l ‘ A/ B testing comme on pourrait avoir sur du e commerce avec des trafics avec des centaines de milliers ou des millions de lignes, tu peux pas faire vraiment ça en B to B , donc c’est vraiment un jonglage constant entre OK crée un environnement pour que les gens comprennent mon intuition a une place, mon intuition a de la valeur, mais la méthode scientifique fait que je vais essayer. Je vais m’efforcer de savoir comment je pourrais mesurer qu’elle est bonne ou comment je pourrais mesurer qu’elle est fausse. 

– Marc — 09:15 :

 D’accord, vous acceptez le doute et en fait où vous faites plutôt confiance à votre capacité de éventuellement revenir en arrière plus tard, si jamais vous étiez trompé, quoi. 

– Nicolas — 09:24 :

 Plusieurs points là-dessus, à mon sens, on peut avoir un biais de confirmation, donc moi j’ai une idée en tête quand les gens sont un peu doués dans la donnée, ils vont venir trouver les données qui valident ma théorie. C’est très simple de montrer 2-3 data point bien agencés en mettant de côté finalement tout un tas de contextes qualitatifs et donc c’est pour ça qu’il faut toujours s’efforcer quand on fait des visualisations données, qu’il y a un diagnostic, on se dit tiens là, à tel endroit sur la conversion à tel endroit dans le produit, il y a un problème, faut se dire bon, est-ce que sur le terrain d’être à l’écoute des gens qui sont en contact avec les clients? Est-ce que c’est vraiment le cas ou pas? Quoi donc, ça c’est quelque chose d’important d’avoir un esprit critique et de pas rentrer tête baissée ce que j’ai pu voir plusieurs fois de l’autre côté, on a fait parfois les erreurs de rentrer tête baissée dans une conclusion alors que c’est faux. C’est juste qu’on voulait voir ça et donc on a trouvé des données qui soutenaient notre test. 

Marc 10:02 : 

Quoi à quoi tu penses par exemple? 

– Nicolas —10:07 :

 Bah typiquement sur tes segments de marché qui fonctionnaient, qui performaient plus que d’autres. En fait, on s’est dit tiens, il y a des industries. L’industrie retail par exemple, les chaînes de restaurants, les entreprises qui ont plusieurs restaurants, y en a à Paris, mettons, entreprises italiennes. Typiquement moi ça c’est des clients de speed. Ouais et au début on se disait que ça marchait pas du tout, alors fait, c’était lié à un problème de labellisation des données dans le CRM et en fait les clients qu’on a débordés n’avaient juste pas les bons codes industries derrière donc ce problème d’hygiène de la donnée fait qu’on s’est dit tiens tout cette industrie, Ben ça sert à rien qu’on s’entête puisque ça marche pas alors que c’est faux. On avait certains de nos clients les plus performants étaient dans cette industrie. 

– Marc — 10:42 :

 D’accord. 

– Nicolas — 10:43 :

 Et donc on s’est, on s’est trompé comme ça pendant plusieurs semaines jusqu’à ce que des mecs sur le terrain, au contact avec les clients me disent bah non c’est une industrie qui marche très très bien. La proposition de valeur, elle résonne. Le produit, ils adorent ça, qui me fait prendre conscience qu’il fallait faire attention avec ce qu’on manipulait, quoi. 

Marc — 10:58 : 

Au niveau du produit, vous avez une boucle de rétroaction euuuh qui permet de se servir de la data pour alimenter l’équipe produit de bonnes choses à faire. ?

– Nicolas — 11:08 :

 Alors à nouveau, ça dépend de la maturité de ton entreprise. Au début, il faut que les roadmaps soit surtout guidés par la vision de l’équipe fondatrice. Quel est le bon produit, le bon package, le bon Bandol qui va régler le problème et enrichi avec ce processus de Discovery, ce feedback continue avec nos alphas user et nos designs partners. voilà à partir d’un moment, on a assez de points de données pour se dire Bah dans la manière dont je construis ma road Map, j’ai la vision, j’ai des fonctionnalités que je suis obligé de faire pour ce qu’elle est, l’infrastructure, j’ai aussi des feedbacks de mes utilisateurs. Dans leur usage ou par des interviews que je peux venir labelliser, taguer et que je peux venir trier et donc au moment où je travaille, ma product roadmap j’utilise toute cette donnée. Là j’ai catégorisé tout ça et nous c’est ce qu’on fait. Donc nous on utilise le Product Board qui est un outil connu où l’ensemble des entreprises en contact avec les clients, des salariés au contact des clients vont venir à chaque fois qu’ils ont un retour produit imputer dans ce système là ce retour. Mais comme ça, les product managers qui eux sont en charge de trier et finalement de prioriser les jobs to be done qu’on a envie de régler. Ils vont pouvoir, au-delà de leur intuition, au-delà de la vision donnée par le CIO. Typiquement, Eh Ben, ils vont pouvoir se dire, OK est-ce que c’est bien confirmé ou non par le volume de données que j’ai à disposition? Donc c’est quelque chose qu’on fait, qui vient nous nous aider à prioriser certains problèmes, à résoudre par rapport à d’autres. 

– Marc — 12:19 :

 Du côté de ton équipe, donc plutôt côté revenu marketing sales, customer success. Qu’est-ce que vous avez comme KPI qu’est-ce que vous avez construit? Est-ce que t’as peut-être un peu des choses à nous partager sur ce que vous avez utilisé pour piloter? 

– Nicolas — 12:34 :

 Sur les KPIs utiles Au quotidien ce dont on s’est rendu compte parce que nous on a fait l’erreur, hein, moi le premier, c’est la nécessité de les limiter en nombre à 5-7 maximum, parce que quand on est 10, on peut avoir 15 ,mais quand on grossit la taille de l’équipe, plus y en a moins c’est clair. Ouais, et donc nous, on a essayé plusieurs fois de venir rationaliser ça, d’identifier 5 p i par grosse fonction dont les définitions étaient connues. On était clair sur ce dont on parlait. Donc pour moi c’est un élément clé, c’est limiter le nombre d’indicateurs, parce que si on se retrouve avec des milliers de données dont on fait rien au quotidien. Ça vient me noyer, ça vient stresser, ça vient encombrer les meetings, les discussions. Donc ça, c’est un premier point. Après, sur lles KPI  on est passé au début, on regardait plutôt d’équipe kpi  que j’appelle le Legging, donc c’est à dire qu’ils viennent décrire finalement le passé. Exemple, combien de chiffre d’affaires? J’ai fait ce mois-ci à KPI plus leading donc, qui viennent mesurer des actions au quotidien, qui a un impact dans le futur. Donc typiquement, si le revenu, c’est legging et Ben le nombre d’opportunités que j’ai ouvertes dans le mois, le pipeline créé, c’est quelque chose de leading. Puisque j’ai un taux de conversion du pipeline, je sais comment ça se ventilé sur 1-2-3 mois et donc à partir de si j’ai créé 10 de pipeline aujourd’hui, je sais que j’aurai 3 de Closer dans 2 ou 3 mois donc ça c’est un 2ème point, c’est de passer de KPI où finalement on on les subit sur stressante, sont concentrées sur des choses qu’on contrôle pas a des KPI qu’on contrôle, sur lequel on peut avoir des actions au quotidien. Ça c’est les indicateurs leading que nous on utilisait quoi et après y a un 3ème point qui est sur le type de KPI que tu utilises? Essayer de trouver à la fois d’équipe et de performance de volume. Ok j’ai fait tant de lead, ouais, tant d’opportunités, tant de clients, tant de discussions d’obsédé ou de crocell et d’équipe I d’efficacité. Ce qu’elle deficiency, c’est à dire ma fonction. Y a tel taux de conversion. Y a telle performance à prendre tant de temps, donc nous regarde ces 2 choses-là, regarde des volumes dans mon usine, il y a combien de pièces qui sont entrées il y a combien de pièces qui sont sorties? Et puis regarde la production de la chaîne, c’est de dire OK quelle est notre efficacité sur chacune des étapes du fuel. 

– Marc — 14:39  :

 Est-ce que tu peux nous parler de du quotidien en termes de pilotage data spendesk? 

– Nicolas — 14:45 :

 Mon quotidien? Mais il évolue en fonction de la maturité, du business. Moi ce qui m’avait marqué, c’est qu’un jour j’avais rencontré le COO King. C’est Candy Crush, ces bruits là, donc c’est une histoire de croissance extraordinaire. C’était passé de 200000000 plus d’un milliard de C à en 2 ans. Et ce gars là, donc c’est quelqu’un de cinquantaine d’années bien tassé en un certain physique dans la pièce. Il m’avait dit quelque chose qui était resté avec moi. C’était know your numbers. C’est en gros on connait tes chiffres quoi c’est-à-dire? Il assistait sur l’importance pour n’importe quel leader, de connaître l’ensemble des chiffres de l’ensemble de ton usine ou de ton corps humain au quotidien, parce que selon lui, c’est grâce à ça que tu te forgeais ensuite des intuitions, des opinions, en étant connecté de manière quali, en voyant l’ensemble des équipes sur le terrain et donc en faisant des équipes meeting en évitant d’avoir des feedbacks filtres et de manière quantitative de vraiment essayer de comprendre les chiffres pour identifier des insights, des tendances. Donc moi c’est ce que j’essaye de faire, c’est je regarde non pas pour des actions, mais je regarde pour comprendre les tendances, forger des opinions, venir enrichir des conversations avec certains de mes de personnes de mes équipes. Donc ça c’est le premier action que je fais, voilà m’imprégner, m’infuser par osmose de ces chiffres. Là, après il y a des calendriers opérationnels dont je parlais, il y a des moments, on regarde certaines choses pour prendre certaines actions, ça c’est ce qu’on appelle l’opération cadence ou la cadence opérationnelle. D’accord donc à la fin du trimestre, on vient identifier s’il y a des actions ou des plans d’action à mettre en place sur le court terme, ça, ça va être en fonction de si on a fait les chiffres ou pas. Typiquement, mais ce qu’on essaye de créer. Et comme culture data chez spedesk qui, je pense qu’on est plutôt bon là-dessus c’est une culture ou c’est décentralisé? C’est pas l’apanage de quelques personnes. La donnée, on veut que chaque salarié, chaque travailleur, soit formé dans son métier pour comprendre c’est quoi la Ies KPI utile pour moi, pour mieux faire mon travail ou est ce que j’ai trouvé comment je l’ai visualisé, comment je les exploite? Donc nous on forme énormément liquide pour qu’ils soient eux, honneurs CO de leur business, de leur job. Que tu sois product manager 16 ou t’as une business unit finalement à faire tourner, que tu gères des campagnes. L’objectif c’est vraiment que tu sois honneur de ça et donc ce que j’essaie de voir, c’est, je me mets à la place des différents métiers pour me dire est-ce que j’ai l’infrastructure? Est ce que j’ai tout ligne? Est-ce que j’ai les méthodologies et donc j’essaie de voir où est-ce que ça commence à être obsolète, où est-ce qu’on est trop loin d’avoir l’infrastructure nécessaire pour que tout le monde soit formé dessus et que tout le monde soit autonome? Voilà donc chacun s’occupe de son business. Chacun est autonome pour ensuite décider au plus près, finalement d’où se passent les choses, c’est à dire au plus près des clients. Côté produits dev, au plus près du business, côté sage customer success marketing, pour être très très autour dans le corps, ça c’est notre approche. C’est comme ça qu’on pilote. 

– Marc — 17:09 :

 Ouais, un bon setup technique et une culture data bien infusée dans l’entreprise, ça c’est quelque chose qu’on a déjà pas mal entendu à ce micro, t’as des best practices, des des conseils pour que ça se passe bien à ce niveau-là

Nicolas — 17:20 :

 le premier point, c’est de percuter une bonne culture data, ça va au-delà des produits, la mauvaise culture data, elle, elle se dit OK il suffit que je mette des tools en place, des outils en place, je donne vite fait des formations pour pouvoir faire des queyries des dashboard et je m’arrête là. La bonne culture data, elle comprend qu’au-delà des outils, y a des sujets de process, de méthodologie. C’est à dire justement Ben toi dans ton job. Typiquement voilà, l’équipe est ce que tu peux utiliser. Voilà les moments dans ton agenda où ça va être pertinent. Voilà comment tu peux les visualiser. Le type d’action que tu peux prendre, donc ça c’est c’est, c’est 3 éléments, le tooling. LONG BLANC A SUPPRIMER La Methodo le process, quand est-ce que j’utilise quoi qui sont à mon avis importants dans la culture data. 

– Marc — 18:01 :

 Au niveau de la méthodologie, y a quelque chose que je voulais demander. On avait discuté un peu avant et tu m’as parlé d’équation du revenu, et ça c’est quelque chose. J’aurais aimé que tu nous expliques un peu qu’est-ce que c’est et quelle est ta méthode. 

– Nicolas — 18:14 :

 Bah ça, c’est la méthode que moi j’utilise. Mon qui a inspiré la méthode scientifique qui consiste à dire qu’un métier, tu transformes des éléments en d’autres éléments. Donc un recruteur. Il transforme des candidats qui sont pas sources en un recrutement successoral. Un vendeur, il transforme des prospects en clients customer success, il transforme des clients pas contents idéalement au client content product manager, il transforme des impôts terrain en éléments de la product roadmap donc la méthode moi que je partage c’est à dire dans ton métier on va dire que t’as une fonction de transformation h comme iring comme recrutement que tu peux décomposer en sous fonction et donc quand t’es bloqué et que tu perdes pas au niveau de ton équipe individuellement au niveau de ton département. Ouais, essaye de décomposer ton métier en différence sous métier. Faire un bon recrutement, c’est faire un bon sourcing, avoir une bonne fonction de conversion, donc réussir à vendre l’entreprise, avoir une bonne fonction de qualification donc bien sélectionner les bonnes personnes, avoir une bonne fonction d’un boarding, donc de formation initiale on bah c’est 4 sous fonctions et donc on regarde ce qui pêche et ce que c’est le sourcing qui pèche, c’est à dire que j’envoie des mauvais candidats donc là il faut que je regarde ma population d’employer pour voir quels sont les attributs qui font que les gens sont épanouis sont heureux chez nous et donc sont performants. Est-ce que c’est un problème de conversion? On qualifie pas assez. On n’est pas assez scientifique, donc comment on pose des questions aux candidats n’est pas assez stricte sur la manière dont on les scores, ou est-ce que c’est un problème? Potentiellement boarding, on recrute les bonnes personnes, mais on les jette dans la fosse aux Lions et puis après démerdez vous donc c’est une méthode qui s’utilise partout, hein? Ça au niveau de l’entreprise, je veux faire plus de chiffre d’affaires. Le chiffre d’affaires, c’est le nombre de clients, faut le revenu par client, donc le revenu par client c’est quoi bah nous spender, c’était du revenu logiciel du revenu d’interchange, du revenu sur le volume d’usage, donc on recompose. Comme ça, on se décompose et à partir de là, on peut se dire Bah tiens, pour impacter mon chiffre d’affaires cette année, je sais que c’est le revenu logiciel que j’ai envie d’impacter et donc il va falloir se développe plus de fonctionnalités pour tel ou segment de marché quoi. 

– Marc — 20:11 :

 D’accord, donc vous décomposez vraiment chaque indicateur global en sous indicateur. En gros qui multipliait les uns avec les autres font l’indicateur global et ça vous permet en fait, de vous focaliser sur ce qui marche. Pas plutôt que 

Nicolas — 20:24 :  

bah ça permet d’éviter d’être bloqué face à un gros problème et de se dire, Bah comment? Technique des petits pas comment je décompose pour savoir ce que je peux faire, qu’est-ce que je contrôle, qu’est-ce que je contrôle? Pas d’accord. Souvent, on est focalisé sur ce qu’on contrôle pas, je contrôle pas le marché, y a le COVID, c’est la récession, les clients achètent pas OK mais qu’est-ce qu’on contrôle ce type d’état d’esprit, ce type de mindset que nous on inculqué, qu’on essaie d’avoir chez nous? Ça évite le problème de la paralysé par l’analyse, c’est à dire que j’ai un chiffre global, mais je sais pas quoi en faire, hein, ça, c’est typique quoi, il y a énormément de données qu’on regarde tout et n’importe quoi, y a un moment donné. N’est plus capable de décider. 

– Marc — 21:04 :

 Tu as des exemples? Un peu de paralysie par l’analyse, 

– Nicolas — 21:07 :

 Mais c’est typiquement des profils qui sont plutôt ingénieurs, comme nous, on va essayer d’avoir des données pour conforter une intuition, une opinion. Début de l’aventure, j’en ai déjà parlé. L’échantillon est trop faible pour que ce soit significatif. Ouais, et puis plus tard, il y a tellement de données que globalement on peut être dedans. Ouais, et ce qu’il faut, c’est de se dire, la donnée, c’est un moyen pour une fin. La fin, c’est la décision qu’on essaie de backer au maximum, donc c’est de se dire, OK est-ce que je peux optimiser telle ou telle partie du funel? Ce que je peux optimiser la structure de prix? Oui, peut-être. Il faudrait que je rajoute une semaine pour faire davantage d’analyse, et cetera. Moi, la manière que j’ai trouvé c’est de dire bon bah la décision on la prend dans une semaine en 7 jours. Les critères de décision, ça, ça fait partie d’une discussion. Et une fois que c’est fait, les gens vont préparer leur case, ils arrivent avec ce qu’ils ont fait et on décide et ça, ça permet d’accélérer la vitesse de décision making pour qu’on se plante si on se planter mais qu’on avance quoi. 

– Marc — 21:57 :

 Ce que vous faites un peu de machine learning dans vos usages chez hendek. 

– Nicolas — 22:00 :

 Donc hendek. L’outil, c’est un outil de gestion des dépenses, des achats. Ce qui fait qu’on voit passer tous les achats de l’entreprise typiquement 2021 ça fait plusieurs milliards d’euros de transactions qu’on a vu transiter sur notre plateforme. Donc nous, c’est cette data là qu’on contrôle la donnée de paiement. On a aussi sur chaque transaction attaché des factures, des justificatifs de dépenses. Donc le premier cas d’usage qu’on a identifié, c’était le travail Manuel fait par les utilisateurs, notamment comptables et financières, pour venir extraire tout un tas de données justificatifs. Une facture, tu dois avoir ton fournisseur, la TVA ensuite faut que tu catégories ta dépense et après dans les bons de comptables, et cetera. Et donc nous ce qu’on a fait c’est développer Ben on a une technologie d’Auxerre, donc de reconnaissance de caractère pour venir sortir le maximum d’informations. Éviter le travail Manuel derrière et puis après, on a fait un processus d’apprentissage où on proposait aux utilisateurs de taguer tel fournisseur. C’est généralement tel code comptable et nous on apprend dessus. On propose des codes comptables, on fait de la recommandation et ensuite en fonction de si les clients ils valident ou pas, on apprend pour pouvoir automatiser au maximum ces tâches à faible valeur ajoutée. Quoi donc, c’est ce qu’on fait aujourd’hui maintenant, ce qu’il faut voir, c’est ça la force de produits PESC, c’est qu’on a ces milliards d’euros de transactions et donc nous ce qu’on souhaite faire dans les prochaines années c’est quoi c’est avancer sur la fraude, puisqu’on sait détecté des transactions frauduleuses ou pas, ajouter de l’intelligence sur les fournisseurs auprès desquels tu achètes des produits ou de services, donc pour imaginer que si je sais que Marc va prendre un billet d’avion, bah je peux lui recommander potentiellement une alternative intelligente par d’autres moyens de transport si jamais dans sa politique de dépenses il est indiqué qu’il souhaitait limiter l’impact carbone, ce genre de chose, je vais pouvoir scorer mes fournisseurs et proposer certains fournisseurs par rapport à d’autres pour ajouter les services fintech au-dessus puisque purement gère tes dépenses, je connais tes comportements d’achat. Donc je vais pouvoir proposer d’autres services, je vais pouvoir améliorer le forex, c’est international. Je vais pouvoir en fonction de ton comportement de dépenses, te proposer de faire du paiement différé, donc proposer des lignes de crédit et c’est pas ce qu’on aura. Cette donnée d’usage et des modèles derrière qu’on pourra scorer. Modéliser le, le risque et donc nous proposer d’autres services. Donc je pense que la première phase là on va dire de 0 à 6 ans c’était vraiment développer un premier produit qui répond à un problème opérationnel. La 2ème phase maintenant qu’on contrôle ces données là de paiement, ça va être d’ajouter. La valeur vraiment disruptive sur l’ensemble de ces transactions qu’on gère pour toi en fait, 

– Marc — 24:20 :

 Et là, c’est du développement, produit pur quoi, c’est falloir, vous avez les équipes de de machine learning, ingénieurs, data Scientist pour développer tout ça. 

– Nicolas — 24:30 :

 C’est l’intérêt d’avoir eu aussi au dans la première phase, la phase une, on va dire de 0 à 6 ans, d’autres problématiques sur lequel on a pu développer ce genre de talent. Aujourd’hui, on a un certain nombre de talents chez nous qui savent le faire. On construira les équipes, les capabilités. Ce qu’il faut en fonction de ça, mais c’est vraiment. Je trouve ça excitant au début. Finalement le logiciel. Tu gères des points de données t’ajoutes, Workflow, t’ajoutes process de la BPI Et puis après c’est comment je valorise cette donnée là que je contrôle ce contrôle, point que j’ai et à mon avis, il y a énormément de valeur, surtout dans une période. On va essayer de réduire les coûts, et cetera, qui va être créé dans les prochaines années, c’est pas juste un logiciel de gestion D? C’est ça qu’il faut voir. 

– Marc — 25:06 :

 Oui, il faut pas mettre la charrue avant les bœufs. D’abord, on prend la data et ensuite on fera du machine learning. 

– Nicolas — 25:10 :

 Ouais c’est ça donc ça a pris 6-7 ans, c’est pas fini et après quand on est en bonne capacité d’avoir le volume nécessaire hein, tu le sais mieux que moi. Faut qu’il y a un volume quand même conséquent pour pouvoir entraîner tout ça. Bah à ce moment-là mais nous on pensait que voilà si on a quelques milliards d’euros de transactions là ça commence à être pertinent. Y a certains problèmes remontés par les clients depuis 2016 qu’on démarre qu’on va pouvoir venir résoudre aujourd? 

– Marc — 25:32 :

 Ok alors sur ce que vous faites aujourd’hui type Business Intelligence Hein, tu l’as dit? Les analyses générales et cetera. Qu’est-ce que vous avez choisi comme outil comme infra? On va dire pour faire vos dashboard et compagnies et est-ce que tu connais les tenants et aboutissants de ce choix? 

– Nicolas — 25:46 :

 Alors on a eu énormément de stades différents, ce qui d’ailleurs un problème et je pense qu’en général, dans une start-up, il faut délibérément réfléchir à quelle va être ta stack d’outils, parce que si on se retrouve à une prolifération d’outils dans tous les coins et on a des problèmes de consistance, de données, y a pas de data warehouse commune. Donc nous on a démarré sur du RAID Dash. C’est sûr du Metabase. Après on est passé sur du looker. L’honneur ship du problème data était reparti dans les fonctions, les tests avaient une structure d’infrastructure et une en opération. Ils avaient une autre en finance, ils avaient une autre, il y avait l’équipe data qui essayait d’organiser tout ça, donc là gouvernance et qui s’occupe de réfléchir à la stack, à l’infrastructure moyen terme c’est essentiel si on se retrouve à une disparité d’outils et c’est globalement le bazar et donc nous ce qu’on utilise aujourd’hui c’est locker qui est branché sur une warehouse. L’ensemble de nos outils métiers donc c’est RM sache, force hotspot marketing Inside CS notre à TS un autre outil de people. Tout ça est branché à la Wars. Notre produit est branché à la warehouse qui fait qu’on a vraiment une base de données qui est clean et depuis looker on va pouvoir tout exploiter. Avant, on avait des dashboard sur Salesforce avec uniquement les données de source dashboard sur eswat uniquement. Les données de spot, ça ça crée. UN SCOPE D’ANALYSE ASSEZ RESTREINT

LA IL Y A UN ARRÊT BRUTAL DE LA PHRASE

– Marc — 27:01 :

 Ats applique un Tracking system, donc c’est avec ça que vous suivez les recrutements, le CRM poursuivre les clients, tout ça, vous êtes dans le même datawarehouse et vous pouvez le consommer avec le même outil, donc locker. Si j’ai bien compris, c’est intéressant parce que derrière ce micro, il y a des gens qui nous ont vendu Metabase Ben énormément dans leur travail. Qu’est-ce qui fait passer le MetabaseàLocker? 

– Nicolas — 27:21 :

 Alors Seth discuter avec notre équipe data dans les attributs qui nous intéressaient, c’était la Usability, donc là simplicité d’utilisation de l’outil. La prise en main par les équipes. Et puis surtout, voilà la qualité du produit. Je pense que grosso modo, c’est probablement le même produit, juste le vernis différent. Le design est meilleur. Moi j’ai utilisé rédac metabase Locker ou locker. C’est un peu le Nec-Plus-Ultra alors ça c’est un prix différent. Si tu veux pas la même le même segment de marché, quoi un truc pas cher rédac, mais taille, ça marche très bien, c’est pas tant le produit, c’est plutôt comment t’évites de passer d’un à 2 dashboard au dans les premières étapes de vie de la boîte à finalement des centaines de dashboard, des centaines de quéry. Ouais, c’est ça le vrai sujet, ça a pris comment tu te retrouves dans ton outil? Ok j’ai envie de trouver la repas par segment dans tel pays. COMMENT JE NAVIGUE ENSUITE DERRIÈRE

IDEM

– Marc — 28:07 :

 Alors vous, comment est-ce que vous gérez justement cette prolifération des dashboard? 

– Nicolas — 28:12 :

 Et bien le rôle de l’équipe data, c’est notamment d’être honneur de cette gouvernance de cette organisation là et de créer un user de journée qui est efficace pour leurs clients interne que sont toutes les équipes. D’accord, mais quand on avait personne, c’était le bazar normalement. 

– Marc — 28:24 :

 Ouais, est-ce que tu as une opinion à partager sur la data? 

– Nicolas — 28:27 :

 Bah faut pas être floue, je pense que ce que je racontais sur les gens qui savent manier la donnée, qui sans s’en rendre compte finalement on va avoir un biais de confirmation, ils vont vouloir te sortir les données qui viennent confirmer leur propre opinion, ça il faut être attentif. Moi, je pense que le point qui est à mon sens, le plus important, c’est de se dire que tout métier, toute action, peut être mesurer quantitativement, ça veut pas dire qu’elle doit être uniquement mesurer quantitativement mesure de manière qualitative et souvent au début de l’aventure, les métiers ou c’est objectivement simple de mesurer typiquement les métiers commerciaux, les recruteurs. C’est simple, je suis à 01 à la fin et taux de conversion, ça c’est assez clair. Naturellement ces fonctions là vont être plus matures que les autres parce que c’est dans leur métier, c’est des métiers de production, d’accord. Mais des développeurs sur la vélocité qu’elle est chiffré, le code, la qualité de leur code, des équipes marketing, même de design. La performance des témoignages clients qu’on a pu faire des designers qui font des users flow et cetera. Tous les métiers, finalement, doivent s’attacher à essayer de se dire comment j’arrive à mesurer quantitativement, objectivement ma performance et de pas s’arrêter à c’est impossible de mesurer ma performance. Dans un organisme qui est  l’entreprise où il y a une performance qui mesure à la fin, il faut que l’ensemble des fonctions, on sache comment la mesurer, alors ça peut être de dire OK là, je vais faire telles interventions, je vais construire une communauté dans mon industrie. Comment j’essaie de rattacher ça pour pouvoir derrière, aider aux décisions d’allocations d’investissement puisque à la fin de la journée, qu’une boîte un peu plus désolé, on doit décider, est-ce qu’on met nos efforts, est-ce qu’on met notre argent ou qu’on est pas notre argent? Et donc si derrière vous êtes incapable de prouver le ROI des actions, on pourra jamais router des ressources dans votre sens et c’est pour ça que c’est très important que toutes les fonctions, même celles qui sont plus éloignées d’éléments concrets puissent justifier le ROI de leur action, que ce soit 1I court terme, RI à long terme sinon jamais on viendra mettre dans un budget je sais pas de 30000000 d’euros par an. Faudra jamais mettre 5000000 sur une ligne de projet si on sait pas ce que ça va donner à la fin. 

– Marc — 30:25 :

 Quel genre de profil vous recrutez côté data chez Spender, qui est pourquoi? 

– Nicolas — 30:29 :

 On le premier profil qu’on a recruté, qui a sûrement conditionné les autres hein, puisque souvent tendance à recruter des gens qui nous ressemble. C’était quelqu’un qui sortait d’une école d’ingénieur. Ça peut être des profils assez généralistes, ça peut être des profils un peu plus shep donc, qui comprennent très bien différents aspects business et qui ont développé une expertise dans la donnée, dans la structuration de la donnée. T’es engineering dans sa visualisation data analyse dans son explication en narrative derrière. Donc on a des profils d’école, de commerce, les profils d’école d’ingénieur. Il y a des développeurs qui sont dans nos équipes pour toute la partie, tuyauterie, data Engineering. Voilà, je pense que le plus important c’est de se dire que la donnée, c’est une moyen, pas une fin et donc j’ai sorti une très belle visé. J’ai un très beau chiffre. Voilà j’ai un graphe, j’ai une tendance OK mais so what? Et pour pouvoir passer le test du SOWAT, il faut savoir, je connais ton métier et donc tiens, regarde, j’ai tel Insight à ta portée donc ça veut dire qu’on pourrait changer ça ça ça. Et ce qui est important, c’est des gens qui sont en empathie avec les différents métiers dans l’entreprise et qui soient capables de se dire, tiens, bah lui, de quoi il a besoin et donc d’être un peu customer facing d’une certaine manière. 

– Marc — 31:33 :

 Si c’était à refaire, tu changerais quoi. 

– Nicolas — 31:35 :

 Quand on commence à avoir une équipe data, c’est des gens qui sont plutôt techniques, qui aiment ce qu’ils font, qui sont passionnés, qui sont plutôt ingénieur et donc ils peuvent avoir tendance à proposer des solutions overshoot par rapport aux besoins réels. Donc typiquement quand on a 30 clients, qu’on rentre 5 clients par semaine ou 5 clients par mois, on n’a pas besoin d’avoir une infrastructure digne du Ferrari pour pouvoir mesurer si oui ou non ça avance. On n’a pas besoin d’avoir un bazooka, on pourrait utiliser une arbalète quoi donc, c’est ce matching finalement, entre les outils et le besoin, le temps passe. Sur une infrastructure qui sert un besoin au final, la priorité c’est d’être rentable. La priorité, c’est de valider XYZ ça va être passer son temps à discuter de l’infrastructure, de changer tel ou tel outil. Il y a d’autres priorités. Si on change un outil, c’est de la bande passante produit, c’est de la bande passante DEV et donc c’est à dire que si ils font ça, ils développent le produit globalement et donc c’est cet arbitrage entre qu’est ce qui est important, c’est toujours pareil. Quels sont les bons combats à mener, quels sont les feux à laisser brûler? Quelle est la bonne montagne qu’on a envie de monter pour pas se perdre dans des sujets de priorité de haute priorité? 3 et en oubliant le principal de cette année. Quels sont les objectifs de l’entreprise? 

– Marc — 32:43 :

 T’as un conseil à donner à ceux qui monte une boîte ou qui doivent utiliser la data dans la boîte qui sont en train de développer? 

– Nicolas — 32:49 :

 Mon conseil, j’en ai déjà un peu parlé, c’est de comprendre la place de la donnée sur ma situation. Au début, il faut faire confiance à son intuition, faut avancer vite. C’est un process qui est basé sur la découverte, donc nécessairement itératif. On fait des erreurs. Il y a peu ou pas de données et c’est pas parce qu’on sait manipuler la donnée. On va avoir tendance à se réfugier dans la donnée alors qu’en fait la donnée va peut-être nous aider sur 10 % de la décision. 90 % c’est l’intuition et faire le truc. Et ce mix là, c’est de comprendre ce mix. Là, c’est à dire l’intuition, elle a sa place. Si on monte une entreprise, c’est une prise de risque. C’est qu’on est dans un nouveau produit, on est sur un nouveau marché, donc par nature il y a pas de données, y a pas d’analyse qui sont passées par là. On peut analyser qualitativement les choses mais de là et c’est de sortir des éléments significatifs des tendances, non, on peut avoir des profs point qui viennent valider qu’il y a un début de tendance. Il y a un début de quelque chose mais de ne pas se laisser du coup paralyser et de faire confiance à son intuition qui a tout à fait sa place dans le processus de décision. Making On dit souvent il faut essayer de collecter les bonnes données, le maximum de données. Les comprendre, s’imprégner de ça. Mais à la fin, il faut décider avec son cœur et son estomac, quoi. Et donc c’est vraiment ce remettre l’humain au centre de la décision, même si des jambes sur laquelle s’appuient, c’est l’analyse de données. 

– Nicolas — 34:04 :

 Super merci beaucoup Nicolas, merci.