Decathlon : Leur nouvelle stratégie Analytics
#125 - Le zoom, le podcast avec Hugo et ses ressources préférées
Hello,
Bienvenue dans l'édition #125 de la newsletter DataGen ! 👋
L'agenda de la semaine :
🔍 Zoom sur la stratégie Analytics de Decathlon
🎙 Le podcast avec Hugo, Senior Staff Engineer chez Decathlon
📚 Les ressources recommandées par Hugo
C’est parti !
📢 Comment on industrialise sa data visualisation ?
C’est la question que j’ai posée à Frédéric Forest, un expert du sujet. Il est venu nous faire une masterclass dans l’épisode 220.
Il nous explique le concept du Design System qui est clé pour industrialiser sa data visualisation. Il nous détaille les étapes, une déclinaison concrète sur les outils Figma et PowerBI et l’organisation à mettre en place pour que ça fonctionne.
Datatorii organise également une masterclass sur le Design System le 30 septembre dans ses locaux.
Un immense merci à Datatorii de sponsoriser DataGen. ❤️
🔍 Zoom sur la stratégie Analytics de Decathlon - 5 min
Ce zoom est tiré de mon échange avec Hugo qui est Senior Staff Engineer pour l’Analytics chez Decathlon.
Diplômé de Polytechnique, Hugo a d'abord travaillé chez BlaBlaCar pendant 7 ans dans l'équipe Data Engineering, puis en tant que manager d'une équipe de Data Analysts et enfin en tant que Senior Manager d'une équipe data transverse. Il a vu beaucoup de choses.
En 2024, il a rejoint Decathlon en tant que Senior Staff Engineer pour piloter la vision tech de l’Analytics.
1) Créer 10 tables qui couvrent 80% des cas d’usage analytiques
Contexte :
Il y a 2 ans, l’équipe Analytics de Decathlon s’était réorganisée par domaine métier (Marketing, Supply…). Cette organisation avait beaucoup aidé à l’autonomisation des équipes métiers (interlocuteurs bien identifiés, suites de dashboards).
Mais avec cette autonomie, certains domaines se sont mis à redéfinir les KPIs à leur manière et ils n’étaient plus alignés d'un domaine à l'autre.
“C’était souvent pour de bonnes raisons. C'est ce que j'appelle la créativité dans la création des KPIs. Tu as un stakeholder important qui dit : moi, je calcule le Revenu de cette manière. À court terme, ça ne pose pas de problème mais quand les informations remontent à la strate hiérarchique du dessus, on ne comprend plus rien. Et on prend des mauvaises décisions.”
Solution :
Hugo et son équipe ont créé une 10aine de tables qui permettent d’adresser 80% des cas d’usage analytiques. L’objectif est de limiter la capacité des personnes qui vont faire des analyses data pour assurer un meilleur alignement entre les domaines.
Et l’accès facilité à ces données préparées augmente la productivité des équipes Analytics.
2) Créer un Analytics Center of Excellence
L’équipe est constituée de 5 Staff Engineers spécialisés sur l’Analytics. Chaque Staff est spécialisé sur un ou quelques domaines métiers. Hugo lead cette équipe.
“Notre rôle aujourd’hui n’est pas de délivrer opérationnellement au sein des équipes comme le ferait un profil Senior mais plus d’être dans la définition des bonnes pratiques techniques ou l'alignement des processus People par exemple.”
Voici 2 illustrations de projets :
- Construire une matrice de compétence : qu’est-ce qu’un Analytics Engineer Junior, Confirmé et Senior ? i.e. quels sont les niveaux attendus techniquement pour chacun des différents métiers et pour chaque niveau.
- Construire un template dbt qui intègre toute une suite de monitoring et de tests standardisés.
“Ce template dbt permet par exemple de faire remonter des informations standardisées en central sur les tests qui sont réalisés localement par les équipes et sur les coûts de compute de chaque projet.”
3) Mettre en place une organisation en “chapters”
Lorsqu’une équipe Data passe d’une organisation par fonction (Data Analyse, Data Engineering…) à une organisation par domaine (Data for Marketing, Data for Supply…), elle rencontre toujours le même problème : des profils Data se retrouvent seuls à faire leur métier au sein d’autres équipes et sont limités dans leur développement.
“Si dans une équipe, tu as un Data Analyst Junior sans autre Data Analyst, il va avoir du mal à progresser, notamment techniquement.”
Les chapters sont là pour répondre à ce problème : ce sont des communautés transverses autour d’une pratique technique (chapter Data Analysts, chapter Analytics Engineers…).
C'est un concept qui a été créé par Spotify en 2012.
Chaque chapter fonctionne avec 3 niveaux :
- Un Chapter Lead (Staff ou Senior) qui dédie 20% de son temps
- Un Chapter Comité de personnes seniors qui font avancer des sujets en autonomie
- Les membres qui participent en assistant à des présentations et en contribuant ponctuellement (retour d’expérience, développement d’outils…)
"Lorsqu’un collaborateur atteint un certain niveau de séniorité, on attend qu’il s’implique dans son Chapter. Par exemple, un profil senior doit partager son expertise au-delà de son équipe. Sinon, on lève un warning.”
4) Développer un “Copilot pour l’Analytics” avec la GenAI
Depuis l’arrivée des IA Génératives, il y a eu beaucoup d’avancées sur les assistants de code à destination des développeurs avec des outils comme Github Copilot. En revanche, il y en a eu peu sur des assistants à destination des Data Analysts.
Il y a eu quelques avancées technologiques récentes qui ont changé la donne : les agents et les MCP (Model Context Protocol).
“Tu peux donner à un LLM la capacité d'aller interroger les API de certains providers et donc d’aller interroger ton Data Lake.”
Depuis quelques mois, Decathlon a priorisé le développement en interne d’un agent IA Data Analyst.
“On se base sur GitHub Copilot qu'on cherche à étendre aux Data Analysts, pour avoir une sorte de Analytics Copilot. On a créé un Master Prompt qui dit au LLM de se comporter comme un Data Analyst, de suivre un raisonnement logique, d’identifier les tables à utiliser, de récupérer la documentation, d’écrire du SQL et d’itérer.”
Hugo souligne l'importance de se concentrer sur les fondamentaux plus que sur le développement de l’outil.
“Je sais qu'on ne fera pas mieux chez Decathlon que ce qui va être packagé pour être vendu au monde entier. En revanche, ce qui est important, c'est de travailler sur nos documentations de manière très clean pour être prêt quand les outils sortiront.”
🎙 Le podcast avec Hugo, Senior Staff Analytics chez Decathlon
On aborde :
Son parcours : de BlaBlaCar à Decathlon
Sa vision du Self-Service
L'harmonisation des KPIs (cf. zoom)
La stack Analytics de Decathlon (Tableau, dbt)
La création de l'Analytics Center of Excellence (cf. zoom)
La mise en place des Chapters Data (cf. zoom)
Développer un “Copilot pour l’Analytics” avec la GenAI (cf. zoom)
"Ce qui est intéressant avec Analytics Copilot, c'est qu'il peut t'aider à décomposer le raisonnement et tu peux récupérer des idées qu'il va avoir, y compris sur le raisonnement analytique, pas simplement sur l'écriture du code."
Liens vers l'épisode : Apple Podcasts | YouTube | Spotify
📚 Les ressources recommandées par Hugo
Le blog tech de Will Larson (ex-Stribe, ex-Uber) : Irrational Exuberance
Le livre "An Elegant Puzzle: Systems of Engineering Management" de Will Larson
"Il écrit notamment sur le management d’équipes Tech au sens large. Mais ça s’adapte parfaitement à la Data. Il propose des frameworks simples et actionnables. Par exemple, il y a en a sur comment aligner beaucoup de monde rapidement."