À qui confier vos sujets de data marketing en 2026 ?

TL;DR

Pendant une dizaine d'années, le marché s'est organisé autour d'une séparation simple : d'un côté les agences média qui font tourner vos campagnes, de l'autre les agences spécialisées qui construisent votre infrastructure data. Avec l'arrivée de l'IA dans le quotidien des équipes data, cette séparation n'a plus vraiment de sens pour la majorité des annonceurs. Un nouveau modèle s'impose : l'agence d'acquisition full-stack, qui intègre un pôle data dédié et couvre 70 à 80 % des besoins, sur des budgets plus accessibles qu'auparavant. À condition de savoir distinguer les agences qui font réellement le travail de celles qui se contentent du discours. Voici les critères pour trier, et les cas dans lesquels passer quand même par un spécialiste reste justifié.

Pourquoi la data est devenue indissociable de l'acquisition payante

Si vous pilotez une stratégie d'acquisition online, vous avez déjà compris que la data n'est plus une couche optionnelle posée sur vos campagnes. Elle est devenue le carburant de tout ce que vous faites, et pour plusieurs raisons qui se cumulent.

D'abord, les algorithmes publicitaires (Meta, Google Ads, TikTok) ont besoin d'être nourris en continu avec des données business propres. Sans un tracking solide qui leur remonte les bons signaux, comme les achats, les leads qualifiés, les conversions offline ou la valeur réelle d'un client, l'algorithme cible mal et votre budget s'évapore sur des audiences qui ne convertissent pas.

Ensuite, vous avez besoin de mesurer correctement ce que vous faites. En tant que responsable marketing, vous gérez un budget que vous devez rentabiliser. Cela suppose une vue d'ensemble fiable : croiser vos dépenses média avec votre chiffre d'affaires réel, vos données CRM, vos données magasin. Cela suppose aussi d'aller plus loin que le ROAS affiché par les plateformes : comprendre l'attribution réelle entre canaux, mesurer l'incrémentalité, distinguer ce qui génère de la croissance de ce qui ne fait que capter de la demande déjà existante.

Enfin, vous avez besoin de comprendre vos utilisateurs : optimiser vos taux de conversion, identifier les frictions dans le parcours, personnaliser vos communications, segmenter vos audiences, anticiper le churn et piloter la LTV. Tous ces sujets reposent sur de la donnée bien collectée et bien structurée.

Et le périmètre s'étend rapidement. Des sujets qui étaient encore réservés à quelques grands annonceurs il y a deux ans, comme le marketing mix modeling (MMM) ou les geo lift studies pour mesurer proprement l'incrémentalité de chaque canal, deviennent accessibles à des structures plus modestes. Les outils se simplifient, les méthodologies se diffusent, et les équipes data des agences d'acquisition full-stack commencent à intégrer ces sujets dans leur offre courante.

C'est cet ensemble qu'on appelle aujourd'hui la data marketing : le tracking, la centralisation des sources, le reporting, l'attribution custom, la mesure de l'incrémentalité, la création d'audiences et l'activation de la donnée vers vos outils CRM et publicitaires.

Le partage historique du marché

Pendant longtemps, le partage des rôles entre prestataires était simple. Les agences média s'occupaient des campagnes. Les agences spécialisées en data marketing construisaient l'infrastructure technique en parallèle : tracking, data warehouse, dashboards, customer data platform.

Ce modèle avait sa logique. Le métier de performance manager et celui de data engineer n'ont à peu près rien en commun. Le premier passe ses journées dans les interfaces publicitaires, à arbitrer des audiences, des budgets, des créas. Le second écrit du code, manipule des serveurs, modélise de la donnée. Demander à un media buyer de gérer un tracking server-side, c'est lui demander d'exercer un métier complètement différent du sien : possible techniquement, jamais bien fait en pratique.

Le problème, c'est que ce modèle séparé avait deux limites structurelles.

Le budget d'abord. Les agences data marketing facturent généralement au TJM (tarif journalier moyen), entre 800 et 1 200 euros par jour selon la séniorité du profil. Sur un setup initial complet, certains annonceurs ont déjà investi 50 000 à 70 000 euros uniquement pour la mise en place, sans compter la maintenance ultérieure. C'est viable pour de grosses structures avec des budgets data déjà cadrés. C'est plus difficile à justifier pour des annonceurs en phase de scale.

Le manque de coordination ensuite. Deux équipes en parallèle, avec des objectifs différents : l'agence data livre une infrastructure conforme à un cahier des charges, l'agence média essaie de faire de la performance avec les outils mis à sa disposition. Quand les résultats ne sont pas au rendez-vous, chacun peut renvoyer la responsabilité à l'autre, et l'annonceur se retrouve arbitre d'un débat technique dans lequel il n'a pas forcément les compétences pour trancher.

Ce que l'IA est en train de changer

L'arrivée de l'IA dans le quotidien des équipes data agit sur deux dimensions distinctes, qu'il faut bien séparer.

Première dimension : les barrières techniques baissent pour les profils experts.

Un data analyst ou un analytics engineer assisté par une IA peut aujourd'hui couvrir un périmètre qu'une équipe de trois ou quatre personnes couvrait il y a deux ans. Un script SQL ou Python qui prenait deux ou trois heures à écrire se rédige désormais en dix minutes, puis se relit et se corrige en cinq minutes. La logique n'a pas changé, il faut toujours un humain qui sait ce qu'il fait pour valider ce qui sort, mais la productivité est démultipliée.

Concrètement, cela permet à une agence d'acquisition comme Coudac de structurer un pôle data avec une équipe restreinte (un head of data, un tracking specialist, un analytics engineer) capable de couvrir un éventail de sujets qui demandait auparavant une équipe deux à trois fois plus grande. Le coût marginal de servir un client supplémentaire diminue, ce qui rend ce type de service accessible à des annonceurs qui n'auraient jamais pu se payer un setup complet via une agence data spécialisée.

Deuxième dimension : les barrières d'accès baissent aussi pour les non-experts.

Avant, pour sortir un chiffre fiable sur ses campagnes, il fallait au minimum maîtriser Excel à un niveau avancé, et idéalement savoir manipuler un ETL (un outil d'extraction et de chargement de données type Fivetran ou Airbyte, qui sert à rapatrier la donnée des sources publicitaires vers une base centrale), écrire du SQL et utiliser un outil de visualisation. Avec une IA branchée sur une base de données bien structurée, un utilisateur métier peut désormais poser une question en français et obtenir un graphique exploitable.

C'est un vrai progrès, mais c'est aussi là que les choses dérapent. Une IA branchée sur de la donnée mal préparée ressort des chiffres faux avec un aplomb parfait, et la plupart des utilisateurs métiers n'ont pas les réflexes pour repérer les anomalies. On voit alors fleurir des dashboards qui ont l'air sérieux mais qui pilotent sur des bases erronées. Et là, ce n'est plus un progrès, c'est un risque.

La conclusion qui s'impose : l'IA n'a pas remplacé le besoin d'experts data. Elle a augmenté leur productivité et leur a permis d'élargir leur scope. Mais sans un humain qualifié qui prépare la donnée en amont, qui documente les définitions, qui modélise correctement les KPI, l'IA produit des résultats stylés et inexploitables. Demander à une IA de coder de A à Z sans pouvoir relire ce qu'elle produit, c'est exactement le scénario qui génère les pires décisions marketing.

Le modèle full-stack qui s'impose

Sous la pression conjointe de ces évolutions, un troisième modèle s'est installé sur le marché : l'agence d'acquisition qui intègre un pôle data dédié, en plus de ses équipes média.

Le déclencheur initial est simple. Les agences média qui voulaient maintenir leur performance avaient besoin d'un tracking robuste, et il devenait intenable d'attendre que l'agence data du client fasse correctement le travail en amont. Certaines ont donc commencé à internaliser le tracking, avec un premier profil spécialiste. Au fur et à mesure que les barrières techniques baissaient grâce à l'IA, ce même profil a pu prendre en charge des sujets de plus en plus larges : data warehouse, reporting, modélisation, activation. Le tracking specialist est devenu une équipe data complète, intégrée à 100 % dans le quotidien de l'agence et des comptes clients.

Aujourd'hui, une agence d'acquisition full-stack peut couvrir 70 à 80 % des sujets data qu'une agence spécialisée prendrait en charge :

• Le tracking, et notamment le tracking server-side, qui résiste mieux aux blocages d'iOS et de Chrome, et qu'on peut enrichir avec de la donnée first-party pour piloter à la marge, identifier les nouveaux clients, suivre la LTV par cohorte ou remonter les conversions offline (drive-to-store, ventes en magasin, conversions CRM).
• La construction d'un data warehouse marketing sur des outils comme BigQuery (la base de données cloud de Google) ou Snowflake. Un data warehouse, c'est l'entrepôt central dans lequel on rapatrie toutes les sources de données (publicité, e-commerce, CRM, magasins) pour pouvoir les croiser.
• La modélisation des KPI métiers dans cet entrepôt, via des outils comme dbt ou Dataform, qui permettent de définir une fois pour toutes ce qu'est un nouveau client, comment se calcule la LTV par cohorte, le taux de churn ou la marge brute par canal.
• La création de dashboards et de reports automatisés, ainsi que de l'alerting envoyé directement dans Slack, Teams ou Telegram quand un KPI dérive.
• Des modèles d'attribution custom, qui dépassent ce que les plateformes proposent par défaut, et, de plus en plus, des premiers chantiers de marketing mix modeling ou de geo lift studies à l'échelle d'annonceurs de taille intermédiaire.
• Le branchement d'une IA sur le data warehouse avec un vrai contexte business, et non pas en suivant un tutoriel de trois minutes qui produira des hallucinations dès la première question un peu complexe.

Et cette intégration apporte deux avantages structurels par rapport au modèle séparé d'avant.

D'abord, le budget. Une partie du travail data est absorbée dans l'accompagnement mensuel global, ce qui permet de travailler au forfait plutôt qu'au TJM. Combiné aux gains de productivité que l'IA apporte aux équipes data, cela ouvre ces projets à des annonceurs qui n'auraient pas pu se les offrir il y a deux ou trois ans.

Ensuite, et c'est probablement le plus important, la qualité de la collaboration au quotidien. Quand le CMO, le performance manager et l'analytics specialist travaillent main dans la main sur le même compte, dans les mêmes calls, avec les mêmes objectifs business, les arbitrages se font en temps réel. Un changement de stratégie média entraîne immédiatement un ajustement côté data, sans qu'il faille rouvrir un scope avec une équipe externe. Un sujet remonté du terrain par le performance manager (un trou de tracking sur iOS, un doute sur la mesure d'un retargeting, un besoin de fiabiliser la remontée des conversions offline) est pris en charge dans la semaine, pas dans un mois et demi. L'équipe data est dans la performance du compte, pas à côté.

Comment distinguer une vraie agence full-stack d'une fausse

L'écueil prévisible : à peu près toutes les agences se présentent désormais comme full-stack. Le terme est devenu un must-have sur les sites et dans les decks commerciaux. Vu de l'extérieur, tout le monde fait la même chose. En réalité, non. Voici les signaux à regarder.

Premier signal : qui fait réellement la data

Dans une agence vraiment full-stack, des personnes font de la data à 100 % de leur temps. Pas un media buyer qui touche un peu au sujet quand il a un trou dans son planning. Un pôle dédié, avec a minima un head of data, un spécialiste tracking et un analytics engineer ou data analyst. Si on vous explique que « tout le monde fait un peu de data », personne n'en fait vraiment.

Demandez à rencontrer les profils data qui travailleront sur votre compte. Posez-leur des questions concrètes sur leur parcours, leurs compétences techniques, les projets qu'ils ont déjà menés, leurs références sur des sujets proches du vôtre. Une équipe sérieuse aura des cas clients à raconter dans le détail. Chez Coudac par exemple, on a installé plus de 200 trackings server-side, construit des dizaines de data warehouses pour des clients aux profils variés, et livré des dashboards avancés sur des sujets aussi techniques que la mesure du drive-to-store ou le pilotage à la marge. Une équipe qui ne sait pas vous raconter ce qu'elle a déjà fait n'est pas une équipe expérimentée.

Deuxième signal : la data est-elle internalisée ou sous-traitée ?

C'est un red flag souvent invisible côté client. Certaines agences média se présentent comme full-stack alors qu'elles sous-traitent en réalité tous les sujets data à un partenaire externe ou à des freelances.

Les inconvénients sont multiples. L'agence prend une marge sur la prestation du sous-traitant, ce qui renchérit la facture finale sans valeur ajoutée. La coordination promise n'existe plus : vous retombez sur le modèle séparé d'avant, avec un intermédiaire en plus. Et le sous-traitant est souvent un profil junior, moins cher, moins expérimenté, parfois changé d'un mois à l'autre selon les disponibilités. Vous payez pour une équipe data intégrée, vous obtenez un sous-traitant invisible et juniorisé.

La question à poser est directe : les équipes data sont-elles internes, salariées de l'agence, et travaillent-elles à 100 % sur les clients de l'agence ? Si la réponse est floue, creusez.

Troisième signal : le pricing « tout inclus »

Méfiez-vous des agences qui annoncent que le tracking, les dashboards, l'IA et toute la couche data sont « inclus » dans l'accompagnement sans surcoût.

C'est tentant à entendre, mais en pratique cela signifie une chose : il n'y aura pas tant de travail que ça. Les profils data sont rares et coûtent cher à recruter. Construire une infrastructure propre prend du temps. Si ce temps n'est pas explicitement vendu, il ne sera pas vraiment livré. Il sera bricolé entre deux campagnes par votre performance manager, avec des outils d'IA grand public, et vous vous retrouverez avec une accumulation de dashboards mal alimentés, qui se contredisent les uns les autres, et qu'aucune source de vérité unique ne vient arbitrer. C'est exactement le problème qu'on essaie de résoudre depuis quinze ans en marketing : avoir un référentiel unique sur lequel toute l'équipe est d'accord. Une stack data faite à la va-vite à l'IA, sans expertise derrière, ne le résout pas, elle l'aggrave.

Quatrième signal : la profondeur des réponses techniques

Quelques questions discriminantes à poser en rendez-vous commercial :

• Quelle stack technique recommanderiez-vous pour mon business, et pourquoi ? Une bonne équipe vous proposera une architecture cible adaptée à votre volume de données, à vos sources, à vos contraintes budgétaires. Pas une stack générique copiée d'un autre client.
• Quels seraient les premiers chantiers prioritaires sur mon compte ? La réponse vous dit deux choses : à quel point l'agence a compris votre business, et comment elle séquence un projet data réaliste plutôt que de tout promettre en même temps.
• Quelles sont vos références sur tel sujet précis ? Posez la question sur le sujet qui vous intéresse vraiment : tracking server-side complexe, modélisation de la LTV par cohorte, attribution multi-touch, mesure d'incrémentalité, marketing mix modeling. Une équipe qui a déjà fait le sujet aura des cas concrets à raconter.
• Concrètement, qu'est-ce que la mise en place d'un data warehouse marketing changerait pour mon équipe ? Une équipe mature vous parlera de cas d'usage business (pilotage à la marge, segmentation fine, anticipation du churn, croisement perf média avec données CRM), pas d'arguments purement techniques.

Cinquième signal : la promesse d'un « beau dashboard »

Aujourd'hui, n'importe qui peut générer un dashboard très design en une heure avec une IA et de la donnée fake. Ce qui distingue un vrai dispositif data, c'est ce qu'il y a derrière le rendu visuel : la source unique de vérité, la documentation des définitions, la cohérence des chiffres entre les différents reports, la capacité à expliquer pourquoi un KPI a bougé entre deux périodes. Le rendu visuel est la partie la plus facile, et la moins discriminante.

Quand passer quand même par une agence data pure

Le modèle full-stack ne couvre pas tout, et il serait malhonnête de prétendre le contraire. Il reste plusieurs cas où une agence data spécialisée a toute sa place.

Le premier cas, c'est la data engineering avancée. Refonte complète d'une infrastructure complexe, rationalisation des coûts d'un data stack devenu coûteux, mise en place d'une customer data platform sur une stack technique très spécifique. Sur ces sujets, vous avez besoin de profils seniors et d'équipes étoffées qu'un pôle data intégré dans une agence d'acquisition n'aura pas en quantité suffisante.

Le deuxième, c'est la data science avancée. Marketing mix modeling propriétaire, modèles de propension à l'achat, modèles de churn fins, expérimentations géo-incrémentales sophistiquées. Comme évoqué plus haut, les premières marches de ces sujets deviennent accessibles aux agences full-stack, mais les versions les plus poussées (modèles bayésiens calibrés finement, croisement avec des données externes, méthodologies sur-mesure) restent l'apanage de spécialistes purs.

Le troisième, ce sont les grands groupes confrontés à des enjeux de management du changement. Quand un projet data implique trois ou quatre BU, des dizaines de personnes à former, des dépendances IT lourdes, des arbitrages politiques entre directions, vous avez besoin de profils qui ne sont pas dans une logique d'agence d'acquisition : data steward, chef de projet data, consultant fonctionnel capable de coordonner plusieurs équipes pendant plusieurs mois. Une agence data spécialisée a structurellement les ressources et les méthodes pour ce type de mission, là où une agence full-stack reste centrée sur la performance d'acquisition.

Le quatrième, ce sont les annonceurs très matures, qui ont déjà une équipe data interne solide et qui cherchent des renforts ponctuels sur des compétences pointues.

La bonne question à se poser n'est donc pas « agence média ou agence data ? », mais « quel est mon niveau de maturité et quels sont mes besoins réels ? ». Pour la majorité des annonceurs en phase de scale, l'agence d'acquisition full-stack couvre l'ensemble des besoins, sur des budgets qui rendent ces sujets enfin accessibles, et avec une coordination opérationnelle bien meilleure. Pour le reste, déjà très matures ou sur des enjeux très spécifiques, la complémentarité avec un partenaire data spécialisé garde tout son sens.

En résumé

Le choix de l'agence à qui vous confiez vos sujets de data marketing est stratégique. Vous pouvez perdre beaucoup de temps et beaucoup d'argent en vous trompant.

Sans la bonne équipe, vous aurez des chiffres faux qui mèneront à de mauvaises décisions, des dashboards qui se contredisent, des arbitrages média pris sur des ROAS biaisés, des plans de scale qui ne tiennent pas une fois confrontés à la marge réelle, au churn ou à la LTV par cohorte. À chaque palier de croissance, ce sont des sujets techniques mal gérés qui finiront par bloquer le business.

Une bonne agence full-stack, c'est celle qui sait scaler les sujets techniques (tracking, infrastructure, mesure, IA appliquée) avec la même rigueur qu'elle scale les sujets business (acquisition, créa, pilotage budgétaire). Ensemble, sur un compte, ça permet de construire une machine fluide entre les campagnes et la donnée qui les nourrit, où chaque décision est prise avec les bons indicateurs et où les itérations sont rapides.

Ce profil d'agence est rare. Il existe. Et il vaut la peine d'être bien challengé avant de signer.

‍