ACTIONABLE lève 8,5 millions d’euros pour transformer la donnée client en décisions opérationnelles

Fondée par Nicolas Rieul et Nans Thomas, Actionable annonce un financement de 8,5 millions d’euros mené par Hi inov, avec Axeleo Capital. La startup veut aider les grandes entreprises à anticiper les départs, les réclamations et les achats de leurs clients en rapprochant données commerciales et événements opérationnels. Ses déploiements chez Carrefour, OUIGO ou Engie illustrent cette ambition. Le changement d’échelle dépendra de sa capacité à reproduire ces usages et à mesurer le bénéfice des décisions qui en découlent.

Six minutes et douze secondes, selon Actionable, c’est le seuil d’attente au drive au-delà duquel le Net Promoter Score, l’indicateur de recommandation client, décroche dans les données analysées chez Carrefour. L’enseigne aurait transformé ce résultat en un standard de suivi, décliné aux niveaux national, régional et magasin par magasin.

La précision retient l’attention, sa traduction opérationnelle compte davantage : un résultat d’analyse peut conduire à examiner la préparation des commandes, la disponibilité des équipes ou l’organisation des retraits. La connaissance client entre alors dans les arbitrages qui déterminent la qualité du service et son coût.

C’est cette place qu’Actionable cherche à occuper. La société annonce, le 9 septembre 2026, une levée de 10 millions de dollars (8,5 millions d’euros) menée par Hi inov, avec la participation de son investisseur historique Axeleo Capital. Créée en avril 2024, elle réunit les expériences de Nicolas Rieul, ancien dirigeant de Criteo, et de Nans Thomas, passé par la direction produit d’Innovorder et fondateur de Wino. Le premier connaît les décisions commerciales que les entreprises cherchent à améliorer ; le second apporte son expérience de la construction de logiciels métier.

Passer de la moyenne aux clients à rappeler

Le problème décrit par les fondateurs commence devant un tableau de bord. Une baisse de satisfaction apparaît, les équipes cherchent son origine, puis doivent déterminer quelles personnes contacter et quelle réponse leur apporter. Entre le constat collectif et l’intervention individuelle, plusieurs décisions restent à prendre.

« La mesure existait, la granularité nécessaire à la décision non. C’est cette couche que nous avons construite », explique Nicolas Rieul

Actionable affirme pouvoir attribuer à chaque client des scores de satisfaction, de risque de départ, de réclamation grave et de réachat, accompagnés des facteurs qui les expliquent. La société revendique seize grands comptes, parmi lesquels Carrefour, SNCF, Edenred et Engie, et les parcours de 117 millions de consommateurs analysés.

Le contexte métier se construit avant la prédiction

Pour produire ces résultats, Actionable commence par rapprocher les informations disponibles. Une commande, une attente, un retour et une réclamation peuvent être enregistrés dans des logiciels différents. Encore faut-il retrouver le même client, remettre les événements dans le bon ordre et comprendre ce que chaque champ signifie.

La plateforme reconstruit ce parcours dans un « Common Customer Data Model », une structure adaptée au secteur concerné. Le temps de préparation d’une commande, un retard de train ou le délai de traitement d’un dossier deviennent des variables interprétables dans leur contexte.

« Le travail difficile, c’est de transformer des centaines de tables et de définitions maison en un modèle client qu’une machine peut utiliser sans se tromper », explique Nans Thomas. L’entreprise affirme avoir consacré deux ans à cette construction et ramener à quelques jours un travail pouvant demander des mois d’ingénierie.

Cette promesse engage directement l’économie du produit. Chaque nouveau contrat doit bénéficier des connecteurs, des définitions et des traitements déjà développés. La part de travail réutilisable détermine les ressources nécessaires au déploiement. Actionable ne détaille pas le délai médian observé ni le volume d’intervention humaine requis. Ces deux mesures permettraient d’apprécier sa capacité à multiplier les installations.

Une campagne commerciale et une organisation de service à ajuster

Les usages présentés par Actionable montrent comment cette préparation peut alimenter des décisions différentes. Chez Carrefour, les prédictions individuelles servent, selon la société, à déterminer quels clients reçoivent quelles campagnes CRM. L’entreprise revendique un retour sur investissement incrémental de sept fois la mise.

Chez OUIGO, le modèle est utilisé pour identifier les voyageurs susceptibles d’être insatisfaits et leur adresser un geste commercial avant une éventuelle plainte. Actionable indique que les revenus supplémentaires générés par une première campagne ont couvert le coût de la plateforme en quelques semaines. Chez Engie, les équipes du service client s’appuieraient sur la détection de réclamations susceptibles de s’aggraver pour intervenir avant l’escalade.

Ces situations renvoient à une même allocation de ressources : quels clients rappeler, à qui réserver une compensation et quels incidents traiter en priorité ? Elles ouvrent aussi un arbitrage entre réparer une mauvaise expérience et investir dans l’organisation pour en réduire la fréquence. Un retard répété peut justifier de revoir un processus ; ses conséquences commerciales peuvent appeler une intervention immédiate.

Le client qui risque de partir est-il celui que l’on peut retenir ?

Cette question marque une difficulté supplémentaire, imaginons deux clients présentant un risque de départ comparable. Une compensation peut convaincre le premier de revenir. Le second peut avoir déménagé ou choisi une offre à laquelle l’entreprise ne peut répondre. Un score de risque identique ne justifie pas nécessairement la même dépense.

Actionable revendique le recours à l’« IA causale ». Cette approche vise à éclairer les relations de cause à effet et les conséquences d’une intervention. Elle impose de distinguer les facteurs associés à un comportement de ceux sur lesquels l’entreprise peut agir avec un résultat attendu.

La distinction est méthodologique, les outils de référence en inférence causale, comme DoWhy, reposent sur des hypothèses explicites concernant les relations entre variables et sur l’examen de leur robustesse. Une corrélation observée entre attente et insatisfaction ne suffit pas à quantifier ce qu’une réduction de l’attente changerait, toutes choses pertinentes prises en compte.

Actionable ne détaille pas les méthodes employées; ni la validation des effets attribués aux actions. Dans les campagnes commerciales, des groupes témoins comparables permettent d’évaluer ce qui se serait produit sans intervention. Pour les changements opérationnels, le protocole doit tenir compte des autres facteurs susceptibles d’influencer les résultats.

Cette rigueur conditionne l’intérêt du déploiement à grande échelle. Une bonne prédiction peut améliorer la connaissance du portefeuille clients. Une intervention bien choisie doit produire un résultat supplémentaire, au-delà de son coût.

Une place à établir face aux fournisseurs déjà installés

Le rapprochement entre données d’expérience, données opérationnelles et actions commerciales est déjà présent dans les offres concurrentes. Qualtrics décrit notamment des fonctions combinant ces informations pour prévoir le comportement individuel, identifier les clients à risque et organiser leur suivi.

Actionable devra donc établir son avantage dans les conditions concrètes d’utilisation : délai de déploiement, effort demandé aux équipes, qualité des prédictions, explication des résultats et intégration aux outils existants. Les grands groupes disposant d’équipes data peuvent également comparer l’achat d’une plateforme au développement de leurs propres modèles.

La place occupée dans le budget du client compte tout autant. Une solution utilisée par plusieurs métiers, inscrite dans leurs décisions régulières, peut devenir plus difficile à remplacer. Cette position suppose de démontrer son utilité au marketing, au service client et aux opérations, avec des résultats compréhensibles par chacun.

Les 117 millions de consommateurs analysés ne constituent pas pour autant une base mutualisée propriétaire. Actionable indique que les environnements de ses clients sont isolés et que leurs données ne sont pas partagées entre eux. Son avantage cumulatif pourrait donc se construire dans les modèles sectoriels, les intégrations et les méthodes de déploiement qu’elle sait réutiliser.

Les agents élargissent l’ambition, l’international en teste l’économie

La société entend désormais étendre l’usage de ce modèle de données aux agents IA, elle propose déjà Actionable Intelligence, un agent analyste capable de produire des analyses à partir des informations structurées.

Cette extension pourrait accroître la fréquence d’utilisation du produit et le nombre de fonctions concernées. Elle ajoute aussi des exigences : retracer les calculs, vérifier les recommandations et déterminer qui valide les décisions.

Le financement doit soutenir les recrutements en produit, en ingénierie et au commercial, ainsi que l’expansion internationale, notamment américaine, à travers un réseau de partenaires revendeurs. Il prolonge un premier tour de 2 millions d’euros annoncé en septembre 2024, qui associait capital et dette.