On le sait maintenant, collecter des données ne suffit plus. Ce qui fait la différence aujourd'hui, c'est la capacité à transformer ces données en décisions rapides et surtout pertinentes, pour les équipes data, marketing ou produit.
Piano Analytics a engagé depuis plusieurs mois un cycle de nouveautés qui vise précisément à réduire cet écart. Workspaces personnalisés, interprétation IA, données contextuelles, MCP… et bientôt une application mobile proactive.
Pour comprendre la logique derrière ces évolutions, j’ai échangé avec Mélanie Claisse — Product Manager chez Piano Analytics, en charge de la démocratisation de la donnée depuis une dizaine d'années.
La donnée en elle-même, ne manque pas. Ce qui manque, c'est le chemin et surtout les éléments de contexte entre elle et la décision. Piano Analytics s'attaque à ce problème avec une série de nouveautés pensées pour réduire les frictions à chaque étape — de la collecte à l'action.
Les 4 leviers clés de cette évolution :
- Données contextuelles & journal d'événements — enrichir les données comportementales pour qu'elles aient du sens, pour les humains comme pour l'IA
- Workspaces personnalisés — donner à chaque équipe accès uniquement à ce qui la concerne, sans la noyer dans les informations
- Reveal — une couche d'interprétation IA qui vient enrichir ta propre lecture des données et suggérer des actions concrètes (80% de retours positifs)
- App mobile proactive (bêta juillet 2026) — gagner du temps en recevant directement les insights data — déjà construit, contextualisé, actionnable
Tous ces éléments s’actionnent en conservant, évidemment, l’approche privacy-first qu’on leur connait : opt-out IA disponible, données hébergées en Europe, transparence totale sur les modèles utilisés.
"La privacy reste notre ADN, surtout avec l'IA"
Je suis chez Piano depuis 17 ans, et PM depuis environ une dizaine d'années. Depuis le début, mon périmètre tourne autour de la démocratisation de la donnée : les dashboards, l'Explorer, les droits d'accès — tout ce qui permet de restituer les données de la façon la plus claire possible pour des profils d'utilisateurs très différents.
La privacy, c'est notre ADN. Ça ne change pas avec l'IA. Notre approche, c'est d'être transparents sur tout et, par exemple, chaque fois qu'on utilise un LLM : quel modèle, pour quelle fonctionnalité, et quelles données peuvent être exposées. On a une page dans notre documentation qui liste tout ça pour l'ensemble des outils Piano. Et dans l'aide de Piano Analytics, pour chaque fonctionnalité IA, on précise quel modèle est utilisé.
En pratique, on travaille principalement avec Claude d'Anthropic, et les données des clients ne sont pas réutilisées pour de l'entraînement. Toutes les fonctionnalités IA sont éligibles à de l'opt-out. Un client qui ne veut pas d'IA dans son organisation peut les désactiver complètement — il conserve l'intégralité du produit, simplement sans les boutons et interfaces qui sollicitent un LLM, comme dans Data Query ou Reveal.
💬 « À chaque fois qu'on commence un nouveau sujet avec de l'IA dedans, les discussions sur la privacy arrivent avant même les développements. »
C'est vraiment un point de départ. À chaque fois qu'on commence un nouveau sujet avec de l'IA dedans, les discussions sur la privacy arrivent avant même les développements. On s'assure qu'on est dans le cadre, qu'on explique bien ce qu'on fait, qu'on a choisi les bons modèles. C'est cadré, et c'est intentionnel.
Le vrai problème : des données sans contexte
Le premier, et c'est peut-être le plus structurant, c'est la contextualisation des données. Avoir des données comportementales, c'est bien. Mais des données comportementales sans contexte, c'est difficile à exploiter — même pour un humain, et encore plus pour une IA. Si tu mets un utilisateur final devant un pic de trafic inexpliqué, il ne sait pas forcément quoi en faire. Et l'IA non plus, si elle n'a pas les éléments pour interpréter.
C'est pourquoi on travaille depuis plusieurs mois sur ce qu'on appelle les data sources contextuelles : des sources d'information complémentaires qu'on vient greffer sur les données comportementales. Aujourd'hui, on a par exemple les données de performance des publications sur les réseaux sociaux — performance par type de contenu, par thématique, par personne mentionnée. Et on va continuer à enrichir ça : Google Search Console, météo, d'autres sources encore. L'idée, c'est de donner à l'analyste — et à l'IA — les éléments pour expliquer ce qu'il se passe, pas juste le constater.
💬 « Le contexte est essentiel tant pour la compréhension humaine que pour la pertinence de l'IA. À partir du moment où tu commences à bien nommer tes éléments, ça devient vraiment ultra pertinent. »
Exactement. On a aujourd'hui dans Piano Analytics ce qu'on appelle un journal d'événements — un système d'annotations assez basique, où tu peux ajouter une note sur une date pour dire "aujourd'hui il s'est passé ça".
Ce qu'on veut faire évoluer, c'est quelque chose de beaucoup plus générique : permettre aux clients d'importer des événements en masse — via CSV, via API — pour documenter ce qui explique des variations de trafic, des pics, des creux. Ce contexte-là, une fois qu'il est bien structuré, change tout pour l'interprétation.
Les nouveautés qui changent le quotidien
Plusieurs choses sont sorties ces derniers mois. Je dirais qu'il y a quatre grands axes :
Le plan de marquage adapté selon le secteur professionnel
La documentation complète Data Source Studio : ‣
Des boards personnalisés à chaque équipe métier
Résumé et recommandations d’actions
Intégrer Piano Analytics dans des workflows externes
L’utilisation réelle de ces features
Sur Reveal, le cas qui me revient en premier, c'est un client dans les médias qui est un utilisateur très actif depuis le lancement. Il utilise les recommandations de Reveal pour piloter la création de contenu de ses journalistes — Reveal va analyser les performances, identifier les tendances, et suggérer des séries d'articles.
Plus généralement, on mesure la satisfaction via un système d'avis — est-ce que la réponse a été utile, oui ou non — et on est autour de 80% de retours positifs. Ce qui est intéressant aussi, c'est que les usages ne font pas que se maintenir : ils se développent dans le temps. Et Reveal est principalement utilisé par les utilisateurs qu'on identifie comme novices — ce qui était précisément l'objectif.
💬 « Ma crainte, c'était que les gens testent une fois et reviennent à leur vie d'avant. En fait non — les usages ne font pas que se maintenir, ils se développent. »
C'est un sujet qu'on a en tête en permanence. On a des clients dont le top 20 représente plusieurs centaines d'utilisateurs chacun. Et quand tu as autant de monde sur la plateforme, la question de "qui voit quoi, et comment on évite la surcharge" devient critique.
Les workspaces personnalisés y répondent en grande partie — c'est une forme de "data minimisation" des accès : chaque utilisateur voit exactement ce dont il a besoin, ni plus ni moins.
La prochaine étape : l'information qui vient à toi
Oui, c'est probablement le sujet le plus structurant de notre roadmap à court terme. On développe une application mobile — dont la bêta fermée est prévue pour début juillet — qui n'est pas une version mobile de Piano Analytics au sens classique. C'est autre chose.
Imagine un feed, façon réseau social. Mais au lieu d'être alimenté par des amis ou des abonnements, il est alimenté exclusivement par des insights générés par une IA. L'agent va crawler les boards de ton workspace, identifier ce qui est notable — tendances à investiguer, opportunités, alertes — et te le pousser directement sur ton téléphone, personnalisé en fonction de ton profil et de tes données.
La cible, c'est les décisionnaires qui ne vont pas régulièrement dans Piano Analytics — pour mille raisons légitimes. Aujourd'hui, accéder à une information pertinente demande d'ouvrir l'interface, de savoir quel board regarder, de naviguer, d'interpréter. L'application, c'est l'inverse : l'information vient à toi, pré-digérée, contextualisée, actionnable. Et si tu veux creuser, un chat intégré te permet de poser des questions directement depuis le fil.
💬 « Aujourd'hui tu arrives dans l'interface, tu te demandes quoi regarder, tu changes les dates, tu explores… t'es en mode investigation. Ça convient à pas mal de gens, mais pas à tous. Il y en a qui ont besoin d'aller droit au but. »
C'est dans les idées pour plus tard — pouvoir dire à un collègue "regarde ça, c'est pertinent pour toi" et lui pousser un insight dans son feed. Mais ce n'est pas le focus immédiat. La priorité, c'est de s'assurer que ce qui remonte soit de qualité et vraiment pertinent.
On va commencer par crash-tester ça en interne, puis ouvrir en bêta fermée début juillet, puis plus largement.
En résumé : ce qu'il faut retenir
Exploiter l'IA avec discernement, pas en masse. On ne fait pas de l'IA pour faire de l'IA. Chaque fonctionnalité répond à un problème réel. Si tu l'utilises dans cet esprit, elle apporte une vraie valeur.
Investir dans le contexte. Bien nommer tes boards, tes tuiles, tes éléments de data model — documenter tes événements — c'est ce qui fait que l'IA devient vraiment pertinente. Le contexte, c'est le carburant.
Préparer ta gouvernance. Les workspaces personnalisés sont puissants, mais ils supposent une bonne organisation en amont : qui accède à quoi, quelles ressources sont partagées, comment tu structures tes équipes. L'outil peut tout faciliter, mais il ne remplace pas cette réflexion.
Garder la privacy au centre. Ce n'est pas un sujet de conformité, c'est un combat de tous les jours — intégré dès le début de chaque nouveau projet IA. Opt-out disponible, données en Europe, transparence sur les modèles utilisés : des engagements concrets, pas des intentions.
Cette interview vous a plu ? Nous vous invitons à la partager sur Linkedin ou vos réseaux sociaux !
Fabien Maury
Senior Consultant Tracking et Web Analytics chez unnest, Fabien est en charge de l’expertise autour de Piano Analytics et de la gestion des implémentations clients.
Après avoir passé 3 ans au support Piano Analytics où j’aidais les clients dans leur utilisation de l’outil et le respect des consignes de privacy, j'ai rejoins unnest pour relever de nouveaux défis en matière de tracking, en apportant mon expertise pour résoudre des problématiques complexes de collecte et d'analyse des données tout en respectant les meilleures pratiques de confidentialité.
Piano Analytics / GTM / Server-side / GA4 / G.Ads
✉️ Me contacter : fabien.maury@unnest.co
🎓 References: Alterna Énergie, Pichet, O2, Hello Bank, Éric Bompard, Interflora…
⚒️ Outils : Piano Analytics, GTM, GA4, Google Ads, Didomi, Axeptio, Amplitude…