Ce qu’on doit retenir de la Masterclass Data On Duty :

Les données ne valent rien si elles ne génèrent pas d’insights. Et les insights ne valent rien… si les données sont fausses.

C’est sur cette conviction qu’a démarré la Masterclass du 3 avril 2025, animée par Eric Dumain (fondateur de Data On Duty), aux côtés de deux figures de l’analytics : Julien Coquet et Eric Bricier. Tous deux ont une double légitimité : expertise technique et regard métier.

L’objectif : comprendre pourquoi le tracking est souvent défaillant, comment en sortir, et surtout, comment industrialiser la production d’insights fiables.

De la donnée à l’insight : que cherche-t-on à produire, vraiment ?

Avant de parler d’outils, posons nous la question : qu’est-ce qu’un insight ?
La masterclass en donne une définition pragmatique, croisée entre théorie et expérience terrain.

Un insight, c’est :

• 🔎 Une réponse à une question métier précise
• ✅ Une validation (ou invalidation) d’une hypothèse
• 💡 Une découverte fortuite qui change la stratégie
• 📊 Un élément clé dans un dashboard… à condition qu’il soit bien interprété

Mais tout cela repose sur un pilier fragile : la qualité des données, un socle instable dans un environnement mouvant

La promesse d’un insight fiable suppose une collecte de données cohérente dans le temps. Or, en pratique :

Ce qui fait dérailler la qualité :

• Des environnements digitaux en constante évolution (techno, UX, app, site…)
• Des mises en production non documentées
• Des changements non testés ou testés partiellement
• Des outils de tracking qui ne sont pas alignés avec les besoins métiers
• Et surtout : un manque de gouvernance claire

La conséquence ? Un effet domino que la masterclass a schématisé :

🔁 Un bug de collecte → découvert trop tard → données corrompues → analyses erronées → décisions biaisées → budgets mal alloués

Et le problème se répète, car les fondations sont trop fragiles.

La non-qualité : un coût souvent invisible… mais bien réel

La discussion entre Eric et Julien a mis en lumière le coût réel d’un tracking défaillant :

• 📉 Des KPIs faussés
• ❌ Des campagnes évaluées à tort
• 💰 Des budgets marketing mal investis
• 😰 Et surtout : une perte de revenus silencieuse

Comme l’a résumé Eric Bricier :

“On investit massivement dans le tracking… sans savoir ce qu’on mesure vraiment.”

La réglementation : contrainte ou catalyseur de qualité ?

RGPD, ePrivacy, Consent Mode, DMA, TDA… les contraintes ne manquent pas.
Mais les intervenants en ont fait un point positif :

“La réglementation, bien gérée, devient une opportunité pour mieux structurer ses données.”

Plutôt que de freiner les équipes, le RGPD et les contraintes légales obligent à repenser les fondations : clarification des besoins, documentation du tracking, alignement entre métiers, tech et juridique. Résultat : une donnée plus fiable, plus exploitable, et un time-to-market considérablement réduit. Ce qui semblait une contrainte devient alors un vrai levier de performance.
En d’autres termes : compliance = levier de gouvernance.

Plans de marquage & Datalayer : piliers ou talon d’Achille ?

La masterclass a mis en lumière un paradoxe :

• Le plan de marquage et le datalayer sont censés structurer le tracking
• Mais dans les faits, ils deviennent souvent des points de fragilité

Julien les compare à des Lego : puissants s’ils sont bien conçus, catastrophiques sinon.
Beaucoup d’entreprises gèrent encore ces éléments via des fichiers Excel obsolètes, non alignés avec les enjeux métiers.

Et les technologies comme le server-side ?
Elles ne suffisent pas. Elles nécessitent du budget, une architecture adaptée, et ne contournent pas les obligations privacy.

La limite humaine : surcharge, dépendances, complexité

Un moment fort de la masterclass : le constat d’un tracking qui reste trop artisanal, malgré des outils industrialisés.

“On a industrialisé le build… mais la maintenance reste manuelle.”

Testeurs sursollicités, stagiaires surchargés, DPO perdus dans la technique : le tracking repose encore sur trop peu de ressources, sans outils adaptés.

Build, déploiement, recettage : vers une méthodologie industrielle

Côté Eric :

Une méthode très technique mais efficace :

• Plan en Google Sheet/JSON
• Scripts Python/Node.js
• Reporting via BigQuery/SQL

Finalement, c’est ne logique automatisée mais artisanale, avec beaucoup d’efforts manuels et peu de partage entre équipes.

Côté Julien :

Un focus sur la transversalité des besoins métiers :

“Marketing, data, IT, agences : chacun a sa vision. Il faut une source unique, partagée, vivante.”

Les outils classiques (Excel, Jira, etc.) ne sont ni évolutifs, ni collaboratifs, et deviennent rapidement obsolètes.

Budget : ce que coûte (vraiment) le tracking

Le tracking ne coûte pas seulement en licence. Il coûte :

• En temps humain (QA, recettage, corrections…)
• En maintenance (tests manuels, erreurs, failles)
• En retards sur le Time-to-Market
• Et en pertes d’opportunités business si les insights sont erronés

Même les outils de recettage les plus performants ont des coûts lourds à l’installation, souvent incompatibles avec les cycles courts du marketing digital.

🚀 Data On Duty : industrialiser le tracking, enfin

Face à ce constat, Data On Duty se présente comme une réponse concrète, pensée pour les enjeux d’aujourd’hui :

C’est une plateforme collaborative 100% dédiée aux Digital Analytics, qui :

• Automatise la création, le déploiement et la validation du tracking
• Gère les plans de marquage de façon modulaire
• Intègre nativement la privacy (RGPD, Consent Mode…)
• Supervise les données en temps réel
• Réduit drastiquement le besoin en QA manuel

Les retours utilisateurs sont sans appel :

Julien : “Un cockpit pour suivre la qualité, déclencher les alertes, et industrialiser sans complexité.”

Eric.B : “100 % data-driven, 100 % protection du revenu, 90 % de gains de temps.”

Et demain ? L’IA pour aller encore plus loin

La plateforme amorce déjà l’intégration de l’intelligence artificielle pour :

• Détecter les anomalies de données avant qu’elles ne deviennent visibles
• Générer des recommandations d’optimisation de parcours ou de marquage
• Prioriser automatiquement les corrections à valeur ajoutée

Une IA métier, centrée sur la performance.