Regard d’expert : La stratégie Data & IA de Betclic

Iouri Chapochnikov est Chief Data Officer de Betclic, l’un des leaders européens des paris sportifs en ligne. Fort d’une expérience dans des environnements data exigeants, il partage avec nous l’organisation de ses équipes, ses priorités stratégiques et sa vision de l’évolution des métiers de la Data et de l’IA.

Le département Data & IA de Betclic regroupe environ 160 personnes. Il s’articule autour de deux grandes équipes et de deux pôles dédiés à la GenAI :

• L’équipe Data Business rassemble les Product Owners, les Data Analysts et les Data Scientists. Elle intervient au plus près des enjeux métiers et porte à la fois la production analytique et le développement de modèles IA à destination du business.

• L’équipe Data IT regroupe 3 métiers : les Data Architects, les Data Platform Engineers en charge des infrastructures centrales, et les Data Engineers et BI Engineers responsables de la collecte, de la transformation et de la mise à disposition de la donnée.

• Le pôle GenAI Tech joue le rôle de centre d’excellence GenAI : il accompagne l’ensemble des équipes dans leur montée en compétences et héberge les modèles GenAI mis à disposition de l’ensemble de l’organisation.

• Le pôle GenAI Business agit comme un équivalent des Data Product Managers côté GenAI. Il est en charge d’identifier et de cadrer les cas d’usage à valeur ajoutée.

L’organisation repose sur un modèle de data squads hybrides, chacune pilotée par un Data Product Owner qui fait le lien entre les équipes techniques et le business. Les membres des squads partagent leur temps entre une organisation centrale et leur domaine fonctionnel, ce qui leur permet de combiner une expertise technique pointue et une compréhension fine des enjeux métiers.

Ces squads couvrent l’ensemble des activités de Betclic : Casino, Poker, Paris sportifs, CRM, Marketing (acquisition), Safer Gaming, Identité, Fraude, Paiement, Care et fonctions support.

Parmi les domaines les plus stratégiques, le Safer Gaming occupe une place particulière. Un algorithme analyse chaque jour l’ensemble de la base de joueurs sur plus de 200 indicateurs pour détecter d’éventuels comportements à risque. Lorsqu’un signal est détecté, des actions concrètes sont mises en place : prise de contact avec le joueur, proposition d’outils de modération, orientation si nécessaire, etc. C’est l’un des domaines où la data joue un rôle déterminant.

Le CRM est également clé. Dans l’industrie des paris en ligne, les programmes de fidélisation sont très personnalisés et la data permet d’optimiser la relation avec chaque joueur.

Côté stack technique, Betclic opère dans un environnement multi-cloud mais s’appuie principalement sur AWS pour la data, avec Snowflake, Tableau et DBT. La plateforme a été entièrement reconstruite et figure parmi les plus modernes du secteur en Europe.

Betclic évolue dans un environnement à très forte exigence en matière de fiabilité et de sécurité, comparable à celui du secteur bancaire : les joueurs déposent de l’argent sur leur compte, et une grande partie du business se réalise en temps réel notamment lors d’événements sportifs, avec des niveaux de granularité très fins (par exemple : qui va marquer le prochain point dans un match de tennis ou de football).

Les fondations data étant désormais solides, nos enjeux se concentrent sur la création de valeur. Nous avons trois priorités majeures :

• La personnalisation externe : offrir à chaque joueur une expérience aussi fluide et personnalisée que possible. Concrètement, chaque message envoyé à un joueur doit être généré et contextualisé par la GenAI, en tenant compte de ses préférences, de son historique et des événements à venir. Par exemple, un joueur fan d’Alcaraz recevra automatiquement une notification personnalisée avant son prochain match.

• L’automatisation des processus internes : nous déployons des agents IA pour automatiser un premier niveau de tâches jusqu’ici manuelles, notamment dans l’analyse de grands volumes de données (lutte contre la fraude, tentatives de blanchiment d’argent, etc.). Une dizaine d’agents sont déjà en cours de déploiement.

• La mise à disposition de la data pour les métiers : l’objectif est de rendre la donnée plus accessible à l’ensemble de l’entreprise, en développant le self-service analytics avec les garde-fous nécessaires. Les équipes métiers gagnent ainsi en autonomie sur les analyses de niveau 1 et les Data Analysts peuvent se concentrer sur des sujets à forte valeur stratégique.

Sur les produits IA classiques, l’année a été exceptionnelle : là où 50% des projets IA n’aboutissent pas en général dans l’industrie, nous avons réussi à livrer la quasi-totalité de nos sujets. Ce résultat repose sur une sélection et un cadrage rigoureux des projets en amont.

La GenAI reste la plus exigeante. Il s’agit d’une technologie encore récente, avec des enjeux d’hallucination et une courbe d’apprentissage que toutes les organisations traversent simultanément. Le principal défi est de s’assurer que les sujets choisis apportent un ROI réel, qu’une gouvernance solide est en place et que les systèmes IA produisent des résultats fiables.

Sur la personnalisation par exemple, l’objectif est que 100% des messages envoyés aux joueurs soient générés par la GenAI – ce qui exige une maîtrise fine de la qualité des contenus produits.

Nos priorités de recrutement se concentrent sur des profils de Data Scientists et de Data Product Owners / Product Managers.

Ces derniers sont particulièrement stratégiques : ils occupent une position centrale entre les équipes techniques et le business. Leur capacité à comprendre les enjeux métiers tout en pilotant des roadmaps data est clé dans notre modèle d’organisation.

La compréhension du business est la compétence la plus importante. Nous recherchons des profils capables d’aller au-delà de la technique, de comprendre ce qui crée de la valeur et de s’approprier les enjeux métiers.

C’est vrai pour les Data Product Owners, les Data Analysts, et, dans une large mesure, pour les Data Scientists également : un changement de paramètre peut avoir des impacts très différents sur un système de recommandation, il est donc essentiel d’en comprendre les implications.

L’autre qualité indispensable est l’esprit d’équipe. Dans une organisation aussi transversale que la nôtre, la capacité à collaborer, à embarquer les métiers et à avancer ensemble est absolument non-négociable. L’excellence technique seule ne suffit pas.

La GenAI transforme profondément les métiers de la data. De nouveaux rôles émergent, notamment autour de la conception, de l’orchestration et de l’exploitation de plateformes GenAI.

À plus long terme, si les problèmes d’hallucination continuent de se réduire, nous pourrions assister à une transformation profonde de la data visualisation. Des couches sémantiques riches – où chaque variable est bien décrite, contextualisée et documentée du point de vue des métadonnées – combinées à la GenAI pourraient permettre à n’importe quel collaborateur de générer des analyses ou des dashboards à la volée, simplement en posant ses questions en langage naturel.

C’est une perspective qui redéfinirait en profondeur le rôle des équipes BI et Analytics.