L’Oréal : Monter le département Data & IA Europe
#153 - Le zoom, le podcast avec Eva, sa ressource préférée et une masterclass
Hello,
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