Le marketing n’a pas besoin de plus de canaux. Il a besoin de meilleures décisions.
8min • Édité le 8 déc. 2025
Oussama Ghanmi
Fondateur, CEO & CPO
Pour l’essentiel, ce qu’on appelle aujourd’hui "AI marketing" ne ressemble à rien d’autre qu’à de la tuyauterie un peu sophistiquée.
On automatise des exports, on orchestre des scénarios d’activation, on rajoute une couche de scoring, on enveloppe le tout dans une belle interface. Et on espère qu’au milieu de cette mécanique une forme d’intelligence finira par émerger.
Mais la réalité est tout autre : le marketing de demain ne se construira pas sur des campagnes. Il se construira sur des systèmes capables de décider.
Pendant de nombreuses années, nous avons voulu nous rassurer avec de belles histoires. Nous avons voulu croire qu'en centralisant la donnée, en construisant une Customer 360, en branchant une CDP et en connectant les bons canaux, les résultats suivraient mécaniquement.
La personnalisation passerait à l’échelle. La rétention s’améliorerait. L’intelligence artificielle (IA) aurait enfin quelque chose "sur quoi travailler".
Revenons au présent.
La plupart des entreprises disposent désormais d’un data warehouse moderne. Beaucoup ont ajouté une CDP par-dessus. Presque toutes ont une stack qui ne cesse de s’étoffer : nouveaux canaux, nouveaux parcours, nouveaux outils.
Et pourtant, une question reste étrangement difficile à adresser :
“Avec tout ce que nous avons comme information sur cette personne, que devons-nous faire dès maintenant, et quel est le résultat escompté ?”
Ce n’est plus un problème de collecte de données. Ce n’est pas non plus une question d’outil.
C’est un problème de décision.
C’est dans ce fossé entre tout tracker et décider intelligemment que le marketing se retrouve aujourd’hui bloqué. Et à mesure que l’IA s’invite dans chaque brique de la stack, cet écart ne peut plus être ignoré.
L’IA ne met pas en évidence des données de mauvaise qualité. Elle révèle des systèmes de décision défaillants.
Et c’est précisément là que la bascule s’opère.
👇
Mettre en place votre Modern Marketing Stack
Les lendemains difficiles des CDP de première génération
Rendons à César ce qui est à César.
Les CDP de première génération ont résolu de vrais problèmes :
Elles ont simplifié l’envoi d’événements depuis les sites web et les apps.
Elles ont offert aux marketeurs une interface pour créer des segments sans devoir faire appel aux équipes techniques.
Elles ont fourni des connecteurs pour éviter de solliciter un développeur à chaque nouvelle synchro.
Mais elles ont aussi apporté leur lot de casseroles :
Une énième copie de la donnée : La donnée est déjà présente dans Snowflake, BigQuery, Databricks… et se retrouve dupliquée dans la CDP. Deux modèles de données, deux gouvernances, deux sources potentielles de bugs.
Le profil comme produit, pas comme résultat : On s’est obnubilés par l’idée de réconcilier des identités et remplir des tables, mais on peine à démontrer en quoi un "profil plus riche" fait réellement progresser le chiffre d’affaires, la LTV ou la marge.
La campagne d’abord, la décision ensuite : L’essentiel du travail se joue dans les journey builders, pas dans la logique qui décide si l’on doit parler à un client, comment, de quoi, et pourquoi maintenant.
L’IA comme fonctionnalité, pas comme trame : Le scoring et les recommandations résident dans un coin de l’outil, déconnectés de la plupart des décisions. Un modèle qui n’influence pas les décisions est un modèle qui, en pratique, n'existe pas.
Tout cela fonctionnait encore à peu près quand les canaux étaient simples, que les cookies alimentaient la moitié de l’écosystème et que la « personnalisation » se limitait à ajouter un prénom dans l’objet d’un email.
Mais ça ne tient plus dans un monde où :
Le data warehouse est déjà le système de référence pour la donnée client.
La confidentialité, le consentement et la gouvernance sont pilotés côté data plutôt que côté martech.
Des agents IA commencent à décider de l’allocation des budgets, du choix des contenus et des points de contact.
La stack a évolué. Le modèle opérationnel, lui, n’a pas suivi.
Le data warehouse a changé la donne. L’IA a achevé le mouvement.
Au moment où votre entreprise a choisi Snowflake, BigQuery ou Databricks comme socle analytique, quelque chose de fondamental s’est produit :
La "source de vérité" client a cessé d’être un outil SaaS pour devenir une plateforme data.
Ce n’est pas un slogan, voici les conséquences :
Les graphes d’identité peuvent être construits et gouvernés de façon centralisée.
Les événements peuvent être modélisés une seule fois et réutilisés partout.
Les données clients et produits suivent la même logique et les mêmes règles d’accès.
Les modèles prédictifs peuvent être entraînés et exposés au plus près de la donnée, sans passer par des exports CSV.
👉 Ajoutez-y maintenant l’IA.
L’IA, et en particulier les agents, n’a pas besoin d’une interface de plus. Elle a besoin :
D’un contexte cohérent et accessible. Toutes les transactions, comportements, produits, contenus.
D’objectifs et de cadres clairs. Cibles de marge, limites de pression marketing, règles légales.
D’un dispositif fiable pour exécuter les actions. Des connecteurs vers les canaux qui exécutent les décisions.
D’une boucle de rétroaction. Des résultats qui remontent et se rattachent à la décision initiale.
Une CDP qui possède sa propre base de données va à l’encontre de cette réalité.
Une CDP composable, construite nativement autour du data warehouse, avance avec elle.
C’est le pari que nous faisons chez DinMo : le data warehouse est votre couche de données ; la CDP devient la couche décision + activation qui se construit par-dessus.
Exploiter les données et l'IA dans les outils marketing au quotidien
De la Customer 360 à la compréhension client
Collecter chaque clic et chaque achat n’est pas une fin en soi.
Le véritable actif, c’est un Knowledge Store : une manière structurée de représenter ce que vous savez sur un client et un produit, afin que les humains comme les agents puissent raisonner à partir de ces informations.
Dans la pratique, on voit apparaître trois niveaux :
Les signaux (Que s’est-il passé ?)
• Événements : vues, clics, ouvertures, connexions, ajouts au panier, tickets de support.
• Transactions : commandes, retours, visites en magasin, abonnements, renouvellements.
• Graphe produit : catégories, attributs, variations de prix, stock, bundles.
Le contexte métier (Qu’est-ce que ça signifie ?)
• Cycle de vie : nouveau, activé, à risque, dormant, perdu, réactivé.
• Valeur : marge contributive, LTV prévisionnelle, sensibilité au prix.
• Préférences : affinité canal, affinité catégorie, thématiques de contenu.
• Contraintes : consentement, pression marketing, exclusions, limites de stock.
L’intelligence (Que doit-on faire ?)
• Modèles de valeur future / churn : détection des clients qui s’éloignent de leur comportement habituel.
• Propension : probabilité d’acheter la catégorie X, de se réactiver, de monter en gamme ou de downgrader.
• Next-best-offer / next-best-action : offre ou action avec la valeur attendue la plus élevée.
Lorsque tout cela est présent dans le data warehouse, vous n’essayez plus de le reconstruire dans chaque outil.
Le rôle de DinMo (et des solutions comme la nôtre) est de rendre ce socle de connaissance exploitable par les marketeurs et par les agents, sans demander aux équipes data de faire une requête SQL pour chaque nouvelle idée.
C’est la fondation. Partant de cette base, on peut enfin commencer à parler d’agents.
Comment l'IA va-t-elle transformer le cycle marketing
Mono-agents, méta-agents et couche décisionnelle
La plupart des usages d’« IA marketing » qu’on voit aujourd’hui sur le terrain se résument encore à deux catégories :
Un modèle qui fournit une prédiction (« churn score = 0,87 »).
Un moteur de règles avec un habillage plus moderne (« SI churn_score > 0,8 ALORS envoyer un bon de réduction »).
Utile, oui. Transformateur, pas vraiment.
L’étape suivante — et c’est là que nous concentrons une grande partie de notre réflexion chez DinMo — consiste à construire un maillage décisionnel composé d’agents spécialisés :
Les mono-agents : des experts d’une seule question
Chaque mono-agent se concentre sur une décision très précise, par exemple :
Eligibility agent – Devrait-on interagir avec cette personne, oui ou non ?
Prend en compte le consentement, la lassitude (fatigue marketing), les contraintes légales, le statut VIP, ainsi que les règles de conflit entre marques ou business units.
Channel agent – Sur quel canal devrait-on lui parler ?
Email vs SMS vs push vs Ads vs on-site, en fonction des réponses passées, des coûts et de la portée.
Timing agent – Quand devrait-on lui parler ?
Prédit la fenêtre optimale, tout en respectant la pression globale et les contraintes opérationnelles.
Content / offer agent – Que devrait-on lui proposer ?
Choisit parmi les recommandations, campagnes et incentives en fonction de la marge et des règles métier.
Budget agent – Combien est-on prêt à dépenser ?
Contrôle le niveau d’agressivité des remises et des enchères en fonction de la LTV et du payback attendu.
Chacun de ces agents peut rester assez simple au départ : un modèle, un ensemble de règles, ou un mélange des deux. L’essentiel, c’est le contrat : les variables en entrée et la décision en sortie.
Les méta-agents : orchestrer sous contraintes réelles
Au-dessus, on peut construire des méta-agents qui arbitrent entre les mono-agents, les alignent avec les objectifs business et s’adaptent dans le temps.
Par exemple :
“Maximiser la marge contributive long terme sur ce client, avec un maximum de 4 contacts par mois, sans cannibaliser les catégories à forte marge, tout en respectant le consentement et les règles de marque.”
C’est là que le reinforcement learning, les algorithmes de bandit ou les schémas agentiques plus avancés deviennent intéressants. Pas comme une simple démo, mais comme un moyen de :
Tester des politiques en continu, plutôt que deux fois par an.
Apprendre quelles stratégies fonctionnent pour quels archétypes de clients.
Passer de parcours statiques à des décisions réévaluées en permanence.
Nous n’en sommes encore qu’aux débuts dans ce domaine, mais la direction est claire : on passe de campagnes au niveau du segment à une optimisation des décisions au niveau du client.
Les marketeurs comme pilotes, pas comme opérateurs
Tout cela ne sert à rien si le quotidien des marketeurs devient plus complexe.
L’objectif final qui m’intéresse est le suivant :
Les marketeurs ne passent plus leur semaine à construire des segments et réaliser des exports.
Ils la passent à fixer des objectifs, ajuster des contraintes et superviser des agents.
Concrètement, cela signifie :
Une vue cockpit qui montre : Quels sont nos objectifs ? Quelles politiques sont actives ? Quels arbitrages faisons-nous ? Qu’a-t-on appris cette semaine ?
La capacité de dire : “Pour les clients à forte valeur et à risque de churn, j’accepte d’augmenter le niveau de remise ce mois-ci, dans cette enveloppe budgétaire” — et laisser le système exécuter et apprendre.
De la transparence : comprendre pourquoi une décision a été prise pour un client donné (« non contacté : plafond de pression atteint », « offre modifiée : alternative à plus forte marge disponible », etc).
C’est la philosophie produit derrière DinMo : la machine gère des milliers de micro-décisions ; l’humain fixe la mission et garde la main sur les règles du jeu.
AI decisioning avec DinMo
Ce que nous observons sur le terrain
En travaillant avec des retailers, des médias et des acteurs du digital partout en Europe, on voit revenir quelques schémas récurrents :
Les équipes qui réussissent ont rendu le data warehouse non négociable.
Elles ont arrêté de recréer de nouvelles bases clients dans chaque outil SaaS. Tout ce qui est important vit dans le warehouse ; les outils ne sont plus que des interfaces et des couches d’exécution.
Elles alignent marketing, data et engineering autour des décisions, pas des projets.
Quand la question "qui gère la CDP ?" se transforme en guerre de territoire, rien n’avance. Quand une petite équipe hybride porte un périmètre clair — "nous sommes responsables de la stratégie de contact et de la LTV" — tout s’accélère.
Elles commencent petit, mais avec une boucle de bout en bout.
Les projets les plus réussis n’ont pas démarré avec « on réinvente tous les parcours ». Ils ont fixé un objectif prioritaire : la réactivation, l’onboarding, la rétention des clients à forte valeur, ou l’efficacité du paid media. Mais ils ont relié toute la chaîne : données → connaissance → décision → action → mesure → apprentissage.
La gouvernance est une fonctionnalité, pas un sujet annexe.
Dès que des agents commencent à prendre des décisions, les questions changent : qui peut modifier les politiques ? Comment revenir en arrière ? Comment auditer les décisions ?
Une raison de plus pour tout ancrer dans le data warehouse, plutôt que dans des boîtes noires opaques.
Chez DinMo, c’est exactement la direction que nous avons prise : une CDP composable warehouse-native, qui joue le rôle de couche de connaissance et de décision pour les marketeurs comme pour les agents.
Pas un nouvel endroit où copier vos données. Une manière, enfin, de les utiliser pour prendre de meilleures décisions, à grande échelle.
Ce que vous pouvez mettre en place dès maintenant
Vous n’avez pas besoin de « refondre votre stack autour des agents » d’un seul coup. En revanche, vous pouvez clairement commencer à aller dans la bonne direction au cours des 90 prochains jours.
Voici une checklist que je vous recommande d’utiliser :
Faire du data warehouse l’unique source de vérité client.
• Cessez de créer de nouvelles bases de profils clients dans des outils SaaS.
• Orienter les nouveaux projets avec Snowflake / BigQuery / Databricks comme socle de référence.
Définir une première version de votre Knowledge Store.
• Mettez-vous d’accord sur 10 à 20 attributs clients clés utilisés par tout le monde (valeur, cycle de vie, risque, préférences).
• Matérialisez-les dans le data warehouse avec dbt ou un outil équivalent.
• Documentez-les pour que le marketing, le produit et la data parlent le même langage.
Choisir une première décision à confier à un agent.
• Exemple : « Qui doit recevoir notre campagne de réactivation ce mois-ci ? »
• Rendez tout cela explicite : quels signaux comptent, quelles contraintes, quels résultats attendus ?
• Mettez cela en œuvre sous forme de mono-agent (un modèle simple + quelques règles, c’est suffisant).
Câbler la boucle de bout en bout.
• Loggez non seulement l’événement (« email envoyé »), mais aussi le contexte de décision (« churn_score, raison, valeur attendue »).
• Mesurer les résultats dans le data warehouse.
• Examinez régulièrement les résultats avec un groupe transverse.
Faire un peu de ménage dans votre stack martech.
• Listez tous les outils qui stockent de la donnée client.
• Identifiez les redondances et les endroits où vous pouvez simplifier en vous appuyant sur votre warehouse + une fine couche d’activation à la place.
C’est exactement le type de mission que nous menons avec nos clients chez DinMo, mais vous n’avez pas besoin de nous pour démarrer.
Vous avez surtout besoin d’un cap clair.
Le shift à venir
L’enjeu de tout cela n’est pas de construire des architectures plus sophistiquées.
C’est de changer la question par défaut, pour passer de :
"Quelle campagne va-t-on lancer le mois prochain ?"
à :
"Compte tenu de nos objectifs et de nos contraintes, quelle est la meilleure prochaine décision pour chaque client — et comment apprend-on de chaque interaction ?"
Les entreprises qui feront cette bascule n’enverront pas juste de meilleurs emails. Elles vont :
Allouer leurs budgets de manière dynamique, en fonction de la valeur réelle attendue.
Envisager chaque interaction comme une expérience.
Offrir aux marketeurs un cockpit, plutôt qu’une liste de tâches.
Laisser les agents gérer le travail répétitif et garder les humains focalisés sur la stratégie, la créativité et la marque.
C’est ce futur que nous construisons chez DinMo.
Warehouse-native. Data-first. Prêt pour l’IA et les agents.
Moins de gestion de campagnes.
Plus d’exploitation d’un système décisionnel.
La question n’est pas de savoir si ce futur arrive. Il arrive.
La vraie question, c’est : voulez-vous que votre équipe soit celle qui pilote ce système, ou bien affonter celles qui le font déjà ?
