Avec le lancement de TF1+, le groupe audiovisuel a opéré un basculement stratégique : passer d’une plateforme de replay à une plateforme de destination, où la donnée devient structurante. Pour accompagner cette mutation, TF1 a revu son architecture data, renforcé sa gouvernance et engagé un travail de fond sur l’optimisation des coûts. Retour d’expérience avec François-Xavier Pierrel, Chief Data & Adtech Officer chez TF1, et Martial Coiffe, RVP Continental Europe chez dbt Labs.
TF1+ : quand la data devient un actif central
Le lancement de TF1+ marque une rupture profonde dans la manière dont le groupe aborde la donnée. « Nous sommes passés d’un modèle de replay à une plateforme de destination. Cela implique que la data ne soit plus un simple outil de pilotage, mais un élément central de la stratégie », explique François-Xavier Pierrel, Chief Data & Adtech Officer chez TF1.
Cette transformation s’inscrit dans une dynamique impulsée au plus haut niveau du groupe, mais elle s’est heurtée à une réalité bien connue des grandes organisations : une dette technique et organisationnelle accumulée au fil des années. « Quand je suis arrivé, on s’est rendu compte que notre architecture data n’était pas dimensionnée pour le projet TF1+. Elle fonctionnait, mais pas à la bonne vitesse, ni avec le bon niveau de structuration », poursuit-il.
TF1 valide alors Azure comme data lake et Snowflake comme data warehouse, mais très vite, une question s’impose : comment absorber une volumétrie en forte croissance tout en gardant la maîtrise des coûts et de la qualité de la donnée ?
dbt Labs, levier d’optimisation et de gouvernance
C’est dans ce contexte que dbt Labs entre dans l’équation. « Nous avions un enjeu majeur sur la partie transformation de la donnée, le “T” de l’ETL, qui est chez nous la plus coûteuse et la plus complexe », explique François-Xavier Pierrel. TF1 passe de quelques millions à plusieurs dizaines de millions de streamers par mois, avec des pétaoctets de données à ingérer, transformer et exposer aux métiers.
Pour Martial Coiffe, RVP Continental Europe chez dbt Labs, l’enjeu est précisément celui-là. « Avec notre nouveau moteur Fusion, l’objectif est d’optimiser l’exécution des transformations dans les data warehouses cloud, qu’il s’agisse de Snowflake, Databricks ou Fabric. On évite de recalculer l’ensemble des modèles à chaque exécution, en ne traitant que ce qui a réellement changé », explique-t-il. Cette logique de “step-over orchestration” permet de réduire significativement les coûts de calcul, un point devenu critique dans les stratégies FinOps.
Mais au-delà de l’aspect financier, dbt Labs répond aussi à un besoin de structuration. « On recherchait un outil qui nous permette à la fois d’être plus efficients financièrement et de mettre du cadre. On avait une vraie dette de gouvernance data », souligne François-Xavier Pierrel.
Une approche pragmatique, orientée ROI
Plutôt qu’un déploiement massif, TF1 fait le choix d’un périmètre ciblé. « Nous avons commencé par la partie CRM et marketing automation, un de nos principaux leviers de fidélisation », précise François-Xavier Pierrel. L’objectif est clair : mesurer rapidement l’impact, tant sur les coûts que sur la qualité de la donnée.
Martial Coiffe revendique cette approche progressive. « Nous privilégions une logique de “land and expand”. On démarre avec un premier cas d’usage, on démontre la valeur, puis on élargit. C’est aussi notre responsabilité de ne pas pousser une solution partout si ce n’est pas pertinent », explique-t-il.
Le calcul du ROI fait l’objet de discussions exigeantes. « On a été très durs dans l’évaluation. Le ROI final est de 3, ce qui, sur des sujets data et techniques, est un excellent résultat », affirme François-Xavier Pierrel. Mais pour lui, le véritable déclic ne vient pas uniquement des chiffres.
De la lutte contre les incendies à la prévention
« Ce qui nous a le plus frappés, ce n’est pas tant le ROI que l’amélioration de la data quality », confie François-Xavier Pierrel. Avant l’arrivée de dbt Labs, les équipes data fonctionnaient souvent en mode pompier. « Il arrivait que les métiers nous alertent sur des KPI erronés avant même que nous ne nous en rendions compte. On manquait de traçabilité, de monitoring et de contrôles qualité. »
Aujourd’hui, la situation est radicalement différente. « Quand un incident survient, on le sait en amont, parfois même avant qu’il n’impacte les métiers. Le taux de panne a été réduit de façon très significative », explique-t-il. Ce changement de posture, de la réaction à l’anticipation, marque pour TF1 un véritable changement de modèle.
Vers une data plus transverse et orientée métiers
Une fois le socle posé, TF1 regarde désormais plus loin. « L’enjeu maintenant, c’est d’équiper progressivement les métiers, sans multiplier les plateformes. On ne peut pas se permettre un modèle “candy shop” où l’on empile les outils », insiste François-Xavier Pierrel. L’ambition est de construire une couche data horizontale, capable de s’adapter à plusieurs environnements technologiques.
Sur ce point, Martial Coiffe rappelle le positionnement de dbt Labs. « dbt Labs se place au-dessus des data warehouses. Chez TF1, nous adressons à la fois Snowflake et Databricks, avec l’objectif de proposer une plateforme unique de transformation et de gouvernance, accessible progressivement à d’autres profils que les data engineers », explique-t-il.
Pour TF1, la transformation est loin d’être terminée. Mais une certitude s’impose : la donnée n’est plus un sujet purement technique. « Si une solution relativement peu coûteuse nous permet d’améliorer à ce point la qualité, la fiabilité et la confiance des métiers, alors elle mérite d’être étendue », conclut François-Xavier Pierrel.
