Situation
Un groupe multinational de grande consommation opérant sur 13 marchés africains souffrait de données en silos, de goulots d'étranglement dans le reporting dépendant des analystes, et de prévisions commerciales inexactes — limitant l'agilité stratégique aux niveaux régional et global.
Mission
Construire et faire évoluer un lakehouse de données moderne, permettre à 150+ utilisateurs métier de s'auto-servir, et déployer des modèles prédictifs pour optimiser les structures de commission et réduire le churn sur des marchés diversifiés.
Architecture & Actions
Conception et déploiement d'un lakehouse basé sur Snowflake. Construction de couches Tableau en libre-service alignées sur des KPIs stratégiques définis en partenariat avec les directeurs généraux de marchés. Développement de modèles ML XGBoost et time-series pour l'optimisation des commissions, la prédiction du churn et la prévision de la demande. Intégration de boucles analytiques pré/post-campagne dans le cycle de vie commercial pour générer des signaux d'incrémentalité continus.
Résultats
150+ utilisateurs BI autonomes activés, +7 pts de précision des prévisions, +13% de revenus incrémentaux et 40% de contribution retail dès la première année de la stratégie omnicanale.