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

Younited compte environ 500 collaborateurs, dont une vingtaine dédiés à la Data & IA. L’organisation repose sur trois grands pôles de compétences, chacun animé par un Product Manager transverse.

• Le pôle Data Science & IA, composé de 7 à 8 personnes, regroupe deux types de profils. Les Data Scientists se concentrent sur la conception et l’expérimentation de modèles de Machine Learning et d’agents IA, tandis que les Machine Learning Engineers prennent en charge leur mise en production.

• Le pôle Analytics Engineering, composé de 6 personnes, couvre l’ensemble des domaines de l’entreprise – marketing, produit, risque, finance – avec un mix de profils Analytics Engineers et Data Analysts.

• Le pôle Data Engineering, composé de 7 personnes, est officiellement rattaché à la Tech mais travaille en étroite collaboration avec l’équipe Data. Il est responsable de la plateforme : ingestion des données, gestion et sécurité des accès, anonymisation, environnements de développement, suivi des coûts et urbanisation. Cette plateforme est largement utilisée dans l’entreprise : elle compte environ 200 utilisateurs mensuels sur BigQuery, une centaine de contributeurs Power BI et 350 lecteurs de dashboards.

• L’équipe compte également un profil Data Strategy, avec un rôle très transverse. Il intervient notamment sur les sujets de pre-sales, réalise des inventaires de données dans les différents services, assure une veille sur le marché et gère la contractualisation avec les partenaires data.

Le département est rattaché au Chief Risk & Data Officer, ce qui reflète la réalité de Younited en tant qu’établissement de crédit : le risque est au cœur du modèle business et constitue historiquement le premier consommateur de données.

La data a d’abord été principalement mobilisée sur les enjeux de risque. Elle adresse désormais l’ensemble des métiers : finance, marketing, produit, opérations. Certains profils data sont d’ailleurs retournés côté risque, en apportant avec eux les méthodes et la rigueur analytique acquises au sein de l’équipe Data.

Nous fonctionnons également avec des rituels de tribu qui permettent de partager les pratiques et de maintenir une culture commune, dans un environnement où les compétences et les contextes métiers sont très variés.

Nos priorités s’articulent autour de cinq grands axes :

• Le premier concerne le lancement de nouveaux produits de crédit : Younited a progressivement élargi son offre, du crédit à la consommation classique vers le paiement en plusieurs fois, et continue d’ouvrir de nouveaux parcours de souscription, notamment avec le lancement récent du 3-4 fois. Chaque nouveau produit implique de concevoir puis de mettre en production des modèles de risque spécifiques.

• Le deuxième enjeu est le pilotage financier : depuis notre introduction en bourse il y a plus d’un an, nous avons dû faire évoluer nos normes comptables. Cela nous a conduits à rationaliser nos outils de reporting et surtout à construire une vision beaucoup plus précise de notre rentabilité par produit et par segment.

• L’étape suivante consiste à mettre en place du forecasting, puis à utiliser cette connaissance fine de la valeur générée pour optimiser nos investissements marketing et notre acquisition.

• Le troisième axe est l’amélioration de l’efficacité opérationnelle grâce à l’IA : nous déployons des solutions IA sur plusieurs processus clés : l’octroi de crédit, le recouvrement, le service client, les contrôles AML et le marketing. L’objectif est à la fois d’automatiser certaines tâches à faible valeur ajoutée et de donner aux équipes opérationnelles une vision plus précise et plus temps réel de leur activité.

• Le quatrième enjeu est lié à l’intégration d’une activité bancaire, à la suite du rachat d’une banque : nous travaillons à la fusion des activités et aux différents chantiers data associés, notamment sur les sujets d’AML (anti-blanchiment), qui constituent un nouveau périmètre particulièrement exigeant pour nos équipes.

• Enfin, nous travaillons au lancement d’une offre de cashback : celle-ci s’appuiera sur l’Open Banking pour analyser les comportements d’achat et proposer des offres personnalisées en fonction des usages et des préférences des consommateurs. Notre maîtrise de la donnée Open Banking, combinée à l’utilisation de l’IA, peut constituer un véritable facteur de différenciation sur cette offre.

Le premier challenge est l’arbitrage des priorités. Nos roadmaps sont ambitieuses et les sujets se multiplient. Il faut en permanence déterminer quelle doit être la place de la Data dans chaque projet : parfois pilote, parfois contributeur, parfois fournisseur de services. Maintenir une bonne cadence de delivery dans ce contexte est un exercice permanent.

Le deuxième enjeu tient au rythme d’évolution de l’IA, qui est extrêmement rapide. Cela impose une veille constante sur les performances des modèles, les sujets de sécurité, l’outillage et le cycle de vie des LLM, qui se renouvellent à un rythme inédit. Cette veille est menée en collaboration avec les équipes Tech. Nous travaillons avec un autre département, qui a ses propres priorités, ses méthodes et ses réflexes. Cette collaboration au long cours, avec les ajustements qu’elle implique de part et d’autre, nous rend finalement plus forts collectivement.

Enfin, déployer de l’IA dans une organisation est une transformation profonde. Comme toute transformation de cette ampleur, elle implique des ajustements organisationnels, un travail important d’adhésion des équipes et un accompagnement au changement dans la durée. Il faut également accepter un certain écart entre la vision souhaitée et la réalité du terrain. À cela s’ajoute un enjeu essentiel : mesurer précisément l’impact de ces transformations sur le P&L, afin d’objectiver la valeur créée et d’arbitrer sereinement entre les différentes initiatives.

C’est cette capacité à avancer par itérations, à mesurer les résultats et à ajuster les dispositifs qui permet progressivement d’ancrer des usages durables et créateurs de valeur.

Nos cas d’usage IA s’articulent aujourd’hui autour de quatre grands axes.

Le premier concerne l’automatisation des processus stratégiques. L’octroi de crédit est un domaine dans lequel nous sommes particulièrement avancés, notamment grâce à l’Open Banking et au traitement automatique de documents. Nous travaillons également sur le service client, avec un bot conversationnel capable d’accompagner les utilisateurs tout au long de leur parcours, ainsi que sur le recouvrement, où l’IA peut aider à gérer des situations complexes en proposant des solutions adaptées.

Le deuxième axe est le self-service IA pour l’ensemble des collaborateurs. Nous mettons notamment Claude à disposition des profils qui ont besoin de coder, et Dust pour les équipes métier qui souhaitent intégrer des agents IA dans leurs opérations. Le potentiel de l’IA pour l’analyse de données est également considérable. Côté Data, nous travaillons à démocratiser ces usages auprès de l’ensemble des collaborateurs, notamment grâce à la mise à disposition de skills dédiés. L’ensemble de ces initiatives est piloté par notre Data Product Manager, qui accompagne l’onboarding, structure les usages et mesure leur impact réel.

Le troisième axe concerne le développement logiciel assisté par l’IA. Ce sujet est principalement porté par les équipes Tech, mais les gains de productivité bénéficient à l’ensemble de l’organisation, y compris aux équipes Data.

Enfin, nous travaillons sur l’acquisition de trafic via les agents conversationnels. Les usages évoluent et les internautes passent de plus en plus par des agents conversationnels pour effectuer leurs recherches en ligne. Nous travaillons ainsi avec OpenAI et Google pour permettre à nos clients de demander un crédit directement via ces nouveaux outils.

Nos cas d’usage IA s’articulent aujourd’hui autour de quatre grands axes.

Le premier concerne l’automatisation des processus stratégiques. L’octroi de crédit est un domaine dans lequel nous sommes particulièrement avancés, notamment grâce à l’Open Banking et au traitement automatique de documents. Nous travaillons également sur le service client, avec un bot conversationnel capable d’accompagner les utilisateurs tout au long de leur parcours, ainsi que sur le recouvrement, où l’IA peut aider à gérer des situations complexes en proposant des solutions adaptées.

Le deuxième axe est le self-service IA pour l’ensemble des collaborateurs. Nous mettons notamment Claude à disposition des profils qui ont besoin de coder, et Dust pour les équipes métier qui souhaitent intégrer des agents IA dans leurs opérations. Le potentiel de l’IA pour l’analyse de données est également considérable. Côté Data, nous travaillons à démocratiser ces usages auprès de l’ensemble des collaborateurs, notamment grâce à la mise à disposition de skills dédiés. L’ensemble de ces initiatives est piloté par notre Data Product Manager, qui accompagne l’onboarding, structure les usages et mesure leur impact réel.

Le troisième axe concerne le développement logiciel assisté par l’IA. Ce sujet est principalement porté par les équipes Tech, mais les gains de productivité bénéficient à l’ensemble de l’organisation, y compris aux équipes Data.

Enfin, nous travaillons sur l’acquisition de trafic via les agents conversationnels. Les usages évoluent et les internautes passent de plus en plus par des agents conversationnels pour effectuer leurs recherches en ligne. Nous travaillons ainsi avec OpenAI et Google pour permettre à nos clients de demander un crédit directement via ces nouveaux outils.

Le sens business est primordial. Nos équipes sont objectivées sur des résultats business, notamment via des OKR, et non sur des indicateurs purement techniques. Nous recherchons donc des profils capables de comprendre ce qui crée réellement de la valeur et de prioriser leurs efforts en conséquence.

L’ownership est également essentiel. Nous valorisons les personnes qui s’approprient leurs sujets, avancent de manière autonome et n’hésitent pas à mettre des choses en production plutôt que de rester dans une logique d’expérimentation permanente.

Enfin, l’humilité est indispensable. Dans un domaine qui évolue aussi rapidement, il faut être capable d’apprendre en continu, d’accepter l’incertitude et de collaborer sans ego. Ce sont ces qualités qui permettent de progresser durablement dans un environnement où les technologies, les usages et parfois même les métiers évoluent en permanence.

Nous voyons notamment émerger des profils d’AI Engineers qui ne viennent pas nécessairement du développement logiciel pur, mais qui disposent d’une forte appétence pour les LLM et les approches quantitatives. Ces profils hybrides, à la croisée de l’ingénierie et de la Data Science, seront selon nous de plus en plus recherchés.

Côté Data Engineering, nous observons également une montée en puissance des profils orientés sécurité et gouvernance. À mesure que les stacks data se complexifient et que les contraintes réglementaires s’intensifient, nous avons besoin de profils dont l’objectif principal n’est pas directement la performance business, mais plutôt l’absence de fuite de données et la robustesse des systèmes. Ce sont des profils plus « défensifs », qui doivent garantir la sécurité des ressources et des accès.

Plus globalement, la production de code devenant de plus en plus accessible grâce à l’IA, la barrière technique s’abaisse pour un premier cercle de collaborateurs data. Nous voyons ainsi émerger ce que nous appelons des Data Contributeurs : des profils capables de contribuer directement à la stack data, notamment sur des technologies comme DBT, sans nécessairement avoir le niveau d’expertise d’un ingénieur senior. Cette évolution repositionne progressivement les profils les plus expérimentés sur des rôles de supervision, d’outillage, de qualité et de gouvernance. Leur responsabilité devient notamment de garantir la robustesse des environnements de production utilisés par un nombre croissant de collaborateurs.

Cette transformation nécessite un véritable changement de mindset pour certains profils techniques. Elle implique également un effort d’acculturation important, soutenu par l’équipe Data centrale et porté au plus haut niveau du management.

À terme, l’enjeu sera donc moins de savoir qui peut produire de la donnée ou du code que de savoir comment permettre au plus grand nombre de contribuer, tout en garantissant la qualité, la sécurité et la gouvernance de l’ensemble.