Notes issues de conversations avec des responsables de la croissance et de l'analyse dans huit entreprises repensant la façon dont leurs équipes de données passent la semaine sous l'IA agentive.
Au cours des deux derniers trimestres, nous nous sommes entretenus avec des responsables de la croissance, de l'analyse et de la science des données dans huit entreprises qui repensent la façon dont leurs équipes passent la semaine. La composition des équipes a à peine changé. Ce qu'elles font de leurs journées a complètement changé. Ce sont des notes tirées de ces conversations, avec les détails anonymisés et les schémas conservés.
En 2022, la semaine archétypale d'une équipe de science des données B2C de premier plan était à peu près la même partout. Le lundi et le mardi étaient consacrés à l'extraction et à la réconciliation des données pour les tableaux de bord permanents. Le mercredi était passé en revues avec les équipes commerciales, à défendre ou à expliquer les chiffres de la semaine précédente. Le jeudi était le seul jour de travail de modélisation proprement dit. Le vendredi, le modèle était mis en forme pour une présentation le lundi suivant.
Cette semaine-là, nous avons produit environ une information exploitable par personne et par mois, en étant généreux. Personne n'en était satisfait, y compris les personnes qui effectuaient le travail. C'était, cependant, l'équilibre que les outils permettaient.
Dans les huit équipes que nous avons étudiées, la semaine s'est réorganisée autour d'une unité de travail différente. Ce n'est pas le rapport. Ce n'est pas le modèle. C'est l'expérimentation livrée et lue de manière causale. Chaque activité au calendrier est liée à l'augmentation du rythme de production de ces expérimentations.
Dans chacune des huit équipes, le rapport BI hebdomadaire n'est plus produit manuellement. Il est généré, vérifié et publié automatiquement. Le rôle de l'analyste n'est pas de produire le rapport. Il est de l'interroger lorsqu'un chiffre semble anormal. Cela a permis de récupérer environ une journée par personne par semaine.
Le schéma qui consommait auparavant le lundi – un responsable métier demande une extraction, l'analyste l'obtient, le responsable demande un suivi – a été remplacé par une interface en libre-service basée sur le même modèle sous-jacent. Le responsable extrait ses propres données. L'analyste est sollicité pour les questions de modélisation, pas pour les extractions.
Une hypothèse bien formulée est désormais l'artefact le plus influent de l'équipe. Elle délimite le segment, indique la direction attendue, nomme les métriques de garde-fou et cite les priors. Les mauvaises hypothèses gâchent tout le pipeline en aval. Les équipes qui traitent la rédaction comme un art surpassent matériellement celles qui la traitent comme une réflexion après coup.
La conversation entre le responsable des données et le responsable de la growth portait auparavant sur les tableaux de bord. Maintenant, elle porte sur les expérimentations. Personne ne discute d'un graphique isolé ; chaque argument se fonde sur la lecture de l'incrémentalité d'une variante spécifique livrée. C'est le plus grand changement culturel, et celui que les interviewés ont le plus souvent mentionné spontanément.
Les équipes qui ont opéré ce changement n'ont pas connu de croissance. Deux des huit ont même réduit leur effectif par attrition sans remplacer les départs, et pourtant leur rendement a augmenté. Ce qui a changé, c'est la structure interne.
Chaque équipe à laquelle nous avons parlé s'était mise d'accord sur une version de la même métrique interne : expérimentations lancées et lues de manière causale par analyste et par trimestre. En 2022, la médiane pour ce groupe était de deux. En 2026, elle se situe entre vingt et quarante, selon la surface. C'est le delta de productivité, et c'est le seul chiffre qui prédit la trajectoire de l'ARPU de l'entreprise sur les deux trimestres suivants.
Trois tentatives sont apparues à plusieurs reprises comme de faux départs. Il convient de les nommer, car ce sont les premiers mouvements naturels et ils ne sont pas rentables.
Le fil conducteur constant de ces conversations a été le passage de la production d'artefacts à la production de rythme. Rythme d'hypothèses, rythme d'expérimentations livrées, rythme d'apprentissages validés. Chaque choix architectural en aval de ce cadre pointait dans la même direction.
Pour le modèle opérationnel dans lequel ces équipes ont migré, voir Des calendriers de campagne au continuous decisioning.
Questions fréquentes
Ressources associées
Le voir dans le produit
Les mêmes boucles que cette note décrit fonctionnent 24 heures sur 24, 7 jours sur 7, sur ta base de clients. Observe l'espace de travail décider, expérimenter et exécuter en 1:1.
Vocabulaire
Definitions an answer engine can quote, each one a page of its own.
Comparer
Neutral reads on the categories buyers evaluate against a decision layer.
Toutes les comparaisons
