MarketOps, no-code et IA : comment piloter la performance marketing par la data

1. OPS indexé sur les objectifs : la définition qui change tout

Ce qui m'a frappé dès l'ouverture de cet échange, c'est la façon dont Hugo requalifie ce que fait un OPS avant même d'aborder ses outils.

La définition classique, il la connaît et il la juge insuffisante. Trouver des outils et créer des process pour que l'équipe travaille dans de meilleures dispositions, c'est vrai, mais trop vague. Ce qui manque dans cette formulation, c'est l'ancrage sur les résultats.

"On ne recrute pas un OPS pour recruter un OPS et automatiser le processus. Il faut toujours que ce soit indexé sur des objectifs d'une équipe."— Hugo Cornu

La conséquence pratique est directe : un OPS qui n'est pas évalué sur les résultats de l'équipe qu'il sert reste dans un rôle de support. Ce n'est pas le modèle le plus mature. Les organisations qui avancent le plus vite sont celles qui font des OPS les garants de la prédiction de revenu, pas seulement les gestionnaires des outils.

2. MarketOps : ce que le rôle couvre vraiment

Ce que Hugo fait au quotidien illustre bien l'étendue réelle du MarketOps, que la plupart des organisations réduisent à la gestion des plateformes marketing.

Son périmètre comprend trois volets distincts. La performance d'acquisition : quels canaux génèrent des leads, à quel coût, et comment ces leads progressent dans le funnel jusqu'au client signé.

La productivité des équipes : automatiser les tâches répétitives pour que les sales et les SDR (Sales Development Representatives, chargés de la prospection sortante) travaillent avec moins de friction sur des leads mieux qualifiés.

L'alignement par la data : centraliser les données de campagne et de CRM (Customer Relationship Management) dans un même Data Warehouse pour produire un reporting qui parle au CMO (Chief Marketing Officer) autant qu'au Head of Sales.

Chez Alegria, cela se traduit par une architecture BigQuery (entrepôt de données cloud) dans laquelle Hugo agrège les données de plusieurs sources pour produire trois indicateurs principaux : coût par lead, coût par lead qualifié, et CAC (Coût d'Acquisition Client). Trois métriques, pas dix.

3. Alignement sales et marketing : trois niveaux concrets

C'est l'idée la plus opérationnelle de l'épisode, et celle que j'ai trouvée la plus directement transférable à des organisations de taille variée.

Hugo distingue trois niveaux d'alignement. Le premier est opérationnel : un point hebdomadaire entre les SDR et l'équipe marketing pour analyser les résultats des campagnes en cours, identifier si les problèmes viennent de la qualité des bases de contacts, du copywriting des séquences ou du traitement des leads par les sales. Ce rituel permet d'attraper rapidement ce qui ne fonctionne pas avant que la campagne ne continue à produire des leads que personne ne traite correctement.

Le deuxième niveau est stratégique : un échange régulier avec le directeur commercial pour définir, par la data, les segments à adresser sur le trimestre suivant. Quels types de clients ont été signés, à quel rythme, sur quels projets. C'est à ce niveau que marketing et commercial cessent d'être deux agendas parallèles.

Le troisième niveau est systémique : un dashboard partagé, visible de toutes les équipes, avec les mêmes KPI (indicateurs clés de performance) pour tout le monde. Hugo y voit un levier de culture autant que de performance : quand chacun voit les mêmes chiffres, les conversations entre sales et marketing changent de nature. On ne débat plus de qui est responsable d'un lead mal traité. On regarde les données ensemble et on décide.

4. No-code comme outil d'orchestration, pas de simplification

J'attendais Hugo sur les outils, et il m'a surpris par la précision avec laquelle il distingue leurs usages respectifs.

Make et N8N ne servent pas à remplacer ce que font les CRM natifs. Ils servent à connecter ce que les CRM ne peuvent pas connecter entre eux. Un exemple concret : automatiser entièrement le funnel d'admission d'une formation, avec six étapes, chacune déclenchant automatiquement un email personnalisé au bon moment selon le statut du candidat. Chez Alegria, cette automatisation a pris trois jours à construire et a permis de diviser le CAC par deux environ.

La distinction entre Make et N8N est également utile à connaître. Make facture à chaque exécution de module, ce qui peut devenir coûteux sur des workflows lourds avec beaucoup de contacts. N8N facture à l'exécution du workflow complet, ce qui le rend sensiblement plus économique pour les scénarios d'enrichissement ou de traitement de larges bases de contacts.

5. L'enrichissement en cascade : maximiser la qualité des bases sans exploser son budget

Ce point touche à une frustration que j'observe souvent : des bases de contacts incomplètes, des champs vides, des séquences SDR qui partent dans le vide parce que les emails sont incorrects ou absents.

Hugo décrit une méthode appelée waterfall enrichment, soit enrichissement en cascade. Le principe : quand un premier outil d'enrichissement ne trouve pas l'email ou le numéro d'un contact, on passe automatiquement au suivant pour maximiser le taux de couverture. Il cite Better Contact pour les emails et FullEnrich pour les numéros mobiles, le tout orchestré via N8N.

Il glisse aussi une règle pratique pour éviter le gaspillage budgétaire : ne jamais enrichir tous les contacts d'un CRM automatiquement. Déclencher l'enrichissement uniquement sur une liste dynamique filtrée, par exemple les entreprises qui ont un deal ouvert dans une phase précise du pipeline. Sans ce filtre, l'intégration native d'un outil d'enrichissement dans le CRM peut tourner en circuit continu et générer une facture que personne n'a anticipée.

6. IA et polyvalence : les experts s'en servent mieux

La partie sur l'IA est l'une des plus nuancées de l'épisode. Hugo ne défend pas l'IA comme une démocratisation de la compétence technique.

Il observe l'inverse : les profils qui tirent le plus de valeur de ChatGPT pour générer du SQL ou du JavaScript sont ceux qui comprennent déjà ce qu'ils cherchent. Un marketeur qui sait ce que doit produire son modèle de données peut prompter efficacement. Un novice sans cette vision d'ensemble va obtenir du code qui tourne, mais qui ne répond pas à la vraie question.

La conséquence pratique qu'il en tire est que l'IA rend les profils polyvalents encore plus efficaces, pas les novices plus compétents. C'est une distinction subtile mais qui change la façon d'évaluer la valeur réelle d'un profil OPS dans un contexte où tout le monde peut désormais demander à une IA d'écrire du code.