Case studies nexoya

nexoya : mettre la puissance de l'IA à la portée de chaque marketeur

Marco Hochstrasser, cofondateur et CTO de nexoya, qui a mis en place son plan d'actionnariat salarié avec LEXR, revient sur l'idée à l'origine de nexoya, sur les enseignements tirés de toutes les données marketing qu'ils analysent, et sur les raisons pour lesquelles le "slicing pie" était la méthode adaptée aux fondateurs pour répartir leur capital.

nexoya

Aujourd’hui, les marketeurs travaillent en moyenne avec 10-15 canaux de marketing digital payants et organiques. Plus de 90% d’entre eux n’optimisent pas leur marketing à travers les canaux, ce qui signifie que chaque canal est optimisé individuellement. Résultat : jusqu’à 30% d’efficacité perdue chaque mois. Les raisons sont multiples. D’une part, les données des canaux ne sont généralement consultables que sur des plateformes spécifiques. D’autre part, les budgets sont souvent alloués canal par canal, alors que la plupart des plateformes sont extrêmement dynamiques.

Nexoya répond à ces défis. Nous regroupons toutes les données en un seul endroit et les rendons facilement accessibles. Cela inclut par exemple les données sur les visites du site web, les clics, les ventes conclues, mais aussi des facteurs exogènes comme la météo, et bien d’autres encore. Nous appliquons ensuite l’intelligence artificielle pour analyser ces données et prédire la performance future des campagnes et canaux concernés. Nous en déduisons ensuite des recommandations sur les actions à entreprendre, par exemple que le budget X devrait être déplacé entre les campagnes et canaux Y & Z afin d’obtenir le rendement maximal.

Notre solution a permis d’améliorer le rendement de notre client jusqu’à 72% en 2-3 mois, ce qui est bien entendu enthousiasmant pour tout marketeur.

Mon cofondateur Manuel et moi avons tous deux étudié l’informatique. Manuel évoluait depuis longtemps dans l’entrepreneuriat, et moi j’ai travaillé pendant un bon moment chez Swisscom. Il y a quelques années, nous avons réalisé que la puissance de calcul et les technologies nouvellement disponibles, en particulier dans le domaine de l’intelligence artificielle, permettaient bien plus de cas d’usage qu’auparavant. Nous avons observé le marché pour identifier où les gens ou les professions disposaient de beaucoup de données, mais rencontraient des difficultés pour y accéder ou pour appliquer facilement l’intelligence artificielle. Par un heureux hasard, nous sommes tombés sur le domaine du marketing : nous avons remarqué que les marketeurs disposaient de toutes leurs données sous forme numérique, mais pouvaient difficilement les exploiter de manière simple. D’une part parce que les données sont dispersées et non intégrées, et d’autre part parce qu’ils manquent de l’expertise technique nécessaire pour appliquer l’IA.

Nous avons tous deux travaillé dans le domaine des systèmes informatiques à grande échelle (Salesforce & SAP). Nous étions donc bien conscients du défi que représente l’intégration des données. En approfondissant le sujet, nous avons réalisé que la plupart des marketeurs utilisent Excel pour rassembler leurs données, et ce le plus souvent une fois par mois seulement, et non quotidiennement. Nous avons compris que l’application de l’intelligence artificielle était hors de portée pour la plupart d’entre eux. Nous avons donc décidé de traiter le problème de bout en bout, de la collecte et de la présentation des données jusqu’à l’analyse intelligente et aux recommandations.

Nous avons fondé l’entreprise en 2018 et savions dès le départ que nous ne pourrions pas investir le même temps chacun, en raison de diverses circonstances (investissement en temps asymétrique au début, notamment lié à la famille, etc.). Nous avons donc cherché un moyen de rendre le modèle d’investissement équitable. Nous aurions pu opter pour une simple répartition, par exemple 40/60, mais nous ne trouvions pas ce modèle entièrement équilibré. Surtout si l’investissement proportionnel de chacun de nous venait à évoluer au fil des années. Nous voulions un système dynamique qui permette de représenter la répartition des parts en fonction de l’investissement monétaire et temporel total sur une période donnée. J’ai d’abord entendu parler du modèle Slicing Pie grâce à mes contacts dans la Silicon Valley – un programme de répartition du capital quelque peu complexe, mais dynamique. Après quelques échanges avec des collègues américains, il est devenu évident que ce système nous convenait très bien.

Le modèle Slicing Pie nous a permis de résoudre élégamment notre problématique de répartition entre fondateurs de startup. Il nous a également donné la possibilité d’intégrer facilement de nouveaux employés. Lorsqu’on démarre une entreprise, on n’a pas toujours la possibilité de verser un salaire au niveau du marché, surtout pas en Suisse. Grâce au modèle Slicing Pie, nous avons pu donner des parts aux employés dès le début et ainsi compenser cet écart.

Idéalement, chaque employé est actionnaire de l’entreprise dès le départ. Nous pensons que les employés ont une motivation totalement différente lorsqu’ils ne sont pas seulement salariés, mais peuvent aussi considérer une partie de la startup comme la leur. La motivation change, même s’ils ne détiennent que 1% de l’entreprise. En tant que startup, nous pouvons offrir exactement cela et souhaitons en faire un facteur de différenciation. La possibilité d’associer les employés nous aide dans le recrutement, et les employés travaillent alors essentiellement pour eux-mêmes.

Nous étions à la recherche d’un partenaire ayant une manière de travailler similaire à la nôtre. Quelqu’un avec qui nous pouvions discuter de sujets concrets et qui répondait rapidement à des questions précises. Un modèle “au fil de l’eau” plutôt que de réunir 10 personnes à chaque fois dans un grand appel. Nous cherchions un partenaire partageant notre état d’esprit et prêt à aborder de nouveaux sujets avec ouverture et enthousiasme. Avec LEXR, nous avons trouvé exactement cela. L’état d’esprit et le rythme de LEXR nous correspondent, les cycles de réponse et de traitement sont excellents, et quand nous avons besoin d’aide rapidement, c’est toujours possible.

La plus grande surprise pour nous a été de constater que les grandes plateformes, y compris celles du paid media, livrent parfois tout simplement des données erronées. Nous n’aurions jamais pensé que de tels problèmes de qualité existaient dans un secteur du marketing digital qui existe depuis 10 à 20 ans et qui revêt déjà une importance considérable pour de nombreuses entreprises.

La correction de certains points de données est parfois livrée des semaines plus tard. Par exemple, les données sur le montant dépensé ou le nombre de fois qu’un élément a été ouvert, etc. À ce stade, il est déjà trop tard pour le marketeur qui a déjà pris des décisions d’investissement sur la base de ces données pour réagir. Bien sûr, la livraison correcte des données est complexe. Néanmoins, cela nous a étonnés qu’il puisse exister de telles différences de qualité dans un marché disposant d’une telle expérience et d’une telle maturité.

Autres études de cas

Réservez un premier appel, sans engagement