Decathlon Marketplace (groupe Decathlon)
Problème
30 minutes de recherche manuelle par lead : une prospection qui ne passe pas à l'échelle
Pour développer le réseau de vendeurs de sa marketplace, l'équipe commerciale identifiait les leads à la main sur les plateformes concurrentes, à raison d'environ 30 minutes par lead. La volumétrie de données concurrentielles croissait plus vite que les ressources, les commerciaux étaient mobilisés sur des tâches à faible valeur ajoutée et aucun outil n'analysait les concurrents de façon structurée : la prospection ne passait pas à l'échelle.
Solution
Des scrapers Python et un scoring IA branchés sur le CRM, construits en 8 semaines
Après un audit des sources concurrentielles et la définition des KPIs (semaines 1 et 2), l'équipe a développé des scrapers Python (BeautifulSoup, Selenium) qui détectent vendeurs, prix, catégories et volumes, puis un moteur IA qui structure, enrichit et score chaque lead selon les critères business de Decathlon (semaines 3 à 5). Tests avec les équipes, intégration CRM et dashboard temps réel ont suivi (semaines 6 à 8), pour une mise en production au troisième mois.
Résultats
+2 000 leads qualifiés en 3 mois et -30 % de temps de recherche pour les commerciaux
Plus de 2 000 leads qualifiés ont été intégrés automatiquement dans le CRM en 3 mois, pendant que le temps de recherche des équipes commerciales baissait de 30 % dès les premières semaines. Les commerciaux se concentrent sur les rendez-vous et la conversion, le taux de transformation progresse grâce à la qualité des données et le dashboard offre une visibilité continue sur les concurrents actifs, leurs prix et leurs volumes.
+2 000 leads
Leads qualifiés générés en 3 mois et intégrés automatiquement dans le CRM commercial, là où chaque lead demandait auparavant environ 30 minutes de recherche manuelle.
-30 %
De temps de recherche de leads pour les équipes commerciales dès les premières semaines : elles se concentrent sur les rendez-vous et la conversion, plus sur la collecte.
8 semaines
De l'audit des sources concurrentielles à l'intégration CRM : scrapers Python, moteur de scoring IA et dashboard construits et testés en 8 semaines, pour une mise en production au troisième mois.
Le contexte : développer le réseau de vendeurs de Decathlon Marketplace
Decathlon Marketplace, la filiale e-commerce du groupe Decathlon, ouvre son catalogue à des vendeurs et partenaires tiers. Dans un contexte de forte pression concurrentielle entre marketplaces, la croissance du réseau dépend directement de la capacité à identifier rapidement les bons vendeurs à recruter.
Cette prospection reposait sur une recherche manuelle des équipes commerciales sur les plateformes concurrentes, à raison d'environ 30 minutes par lead. Le projet a consisté à construire un moteur de scraping intelligent en Python, couplé à un scoring par IA et branché directement sur le CRM commercial.
Résultat le plus marquant : plus de 2 000 leads qualifiés générés en 3 mois et 30 % de temps de recherche en moins pour les équipes commerciales, mesurés dès les premières semaines.
Le problème : 30 minutes de recherche manuelle par lead, une prospection qui ne passe pas à l'échelle
Pour industrialiser le recrutement de vendeurs, l'approche manuelle était devenue obsolète face au volume, à la volatilité des données concurrentielles et à la rapidité du marché. Le coût de l'inaction se mesurait sur trois plans :
- Environ 30 minutes par lead : le temps moyen pour identifier et qualifier manuellement un vendeur potentiel, sur une volumétrie de données concurrentielles en croissance constante.
- Des ressources commerciales mobilisées sur des tâches à faible valeur ajoutée : chaque heure passée à chercher des leads était une heure en moins sur les rendez-vous et la conversion.
- Aucun outil d'analyse automatique et structuré des concurrents : pas de vision consolidée des vendeurs actifs, des prix pratiqués et des volumes, et une prospection peu scalable face à la dynamique des marketplaces.
L'objectif fixé au projet tenait en trois verbes : automatiser, qualifier, accélérer.
La solution : des scrapers Python et un moteur de scoring IA construits en 8 semaines
Le projet a été mené en trois phases sur un trimestre, avec un pilotage par la donnée et un lien constant avec les équipes métiers. L'équipe réunissait un data engineer (scraping et architecture backend), un data analyst (qualification et scoring) et un consultant IA expert en growth hacking, aux côtés d'un chef de projet IT Decathlon.
- Audit et cadrage (semaines 1 et 2). Cartographie des sources concurrentielles exploitables et définition des KPIs de prospection avec les équipes commerciales.
- Construction du moteur (semaines 3 à 5). Développement des scrapers Python (BeautifulSoup, Selenium) qui détectent vendeurs, prix, catégories et volumes sur les marketplaces concurrentes, puis du moteur IA d'enrichissement : structuration automatique de chaque lead, récupération des coordonnées et scoring selon les critères business de Decathlon.
- Tests et intégration (semaines 6 à 8). Itérations avec les équipes Decathlon, branchement du flux de leads qualifiés directement dans le CRM commercial et mise en place du dashboard de suivi en temps réel. La mise en production est intervenue au troisième mois, avec un suivi continu de la performance.
L'architecture : de la collecte au CRM
- Scrapers Python (BeautifulSoup, Selenium) ciblant les marketplaces concurrentes : vendeurs, catalogues produits, prix, volumes d'activité, avis clients, coordonnées de contact publiques.
- Moteur IA d'enrichissement et de scoring : nettoyage, croisement des informations et notation de chaque lead selon des critères personnalisés (volumes, catégories ciblées, historique de performance).
- Base de données centralisée pour l'historique des collectes.
- Connexion directe au CRM commercial : les leads qualifiés arrivent dans l'outil de travail des équipes, sans ressaisie.
- Dashboard en temps réel pour le suivi des KPIs et le pilotage de la performance du dispositif.
Deux facteurs clés de succès : l'intégration dans les outils déjà utilisés par les équipes, et une collaboration étroite entre les pôles data et commerce qui a permis un scoring sur mesure plutôt qu'une grille générique.
Contraintes respectées : données publiques, CGU des sites et RGPD
Le scraping impose un cadre précis. Le dispositif a été conçu autour de quatre garde-fous :
- Données publiques uniquement : l'ensemble des données collectées provient de sources librement accessibles sur les marketplaces, sans contournement de sécurité ni accès non autorisé.
- Respect des conditions d'utilisation : le moteur a été conçu pour respecter les conditions générales d'utilisation des sites cibles.
- Conformité RGPD : les données collectées sont stockées de manière sécurisée, dans le respect des normes RGPD.
- L'humain garde la relation : l'outil collecte, score et transmet ; la prise de contact, la négociation et la conversion restent entre les mains des commerciaux.
Les résultats : plus de 2 000 leads qualifiés dans le CRM en 3 mois
| Indicateur | Avant | Après |
|---|---|---|
| Génération d'un lead | Environ 30 minutes de recherche manuelle | Collecte et qualification automatiques, en continu |
| Leads qualifiés intégrés au CRM | Saisie manuelle, au fil de l'eau | Plus de 2 000 en 3 mois, sans ressaisie |
| Temps de recherche des commerciaux | 100 % manuel | Réduit de 30 % dès les premières semaines |
| Analyse de la concurrence | Aucun outil structuré | Dashboard temps réel : vendeurs, prix, volumes |
| Scoring des leads | Jugement au cas par cas | Notation IA selon les critères business Decathlon |
En trois mois, plus de 2 000 leads commerciaux qualifiés ont été intégrés automatiquement dans le CRM, pendant que le temps de recherche des équipes baissait de 30 %. Les commerciaux se concentrent sur les rendez-vous et la conversion, et le taux de transformation leads/prospects progresse grâce à la qualité et à la fraîcheur des données.
Le retour sur investissement a été constaté dès les premières semaines d'automatisation, sans recrutement de commercial supplémentaire. Et la même collecte sert désormais deux usages : la prospection d'un côté, la veille concurrentielle de l'autre, avec une visibilité claire sur les concurrents actifs, les prix pratiqués et les dynamiques de marché.
Et après ? Un scoring qui s'affine à chaque itération
Le moteur de scoring apprend au fil des itérations : les retours des équipes commerciales sur la pertinence des leads ajustent les critères de notation, ce qui améliore la qualité du flux à mesure qu'il tourne. Pensé pour la scalabilité, le dispositif continue d'alimenter le CRM en continu, avec un pilotage de la performance assuré par le dashboard temps réel.
Un défi similaire ? Estimez votre gisement de leads
Vos commerciaux passent encore des heures à identifier des prospects que des sources publiques recensent déjà ? Le repère de ce cas est simple : environ 30 minutes de recherche manuelle par lead avant, plus de 2 000 leads qualifiés livrés au CRM en 3 mois après. Décrivez-nous votre cible et vos sources : nous estimons avec vous le volume de leads atteignable sur votre marché et le dispositif adapté à vos outils.
Pour aller plus loin :
- L'offre IA sur mesure de Koïno : cadrage, POC et industrialisation.
- Top 12 des outils d'enrichissement de leads et de sales intelligence en 2026 : le panorama du marché.
- Combien coûte un agent IA en 2026 : les budgets réels par cas d'usage.
- Cas client : une base de 20 000 profils alumni fiabilisée à 95 % grâce aux LLM.
- Cas client : des agents IA au service du M&A chez Adviso Partners.
- D'autres exemples d'IA dans le retail et le e-commerce : 12 cas réels d'entreprises françaises en 2026.
FAQ : scraping IA et génération de leads B2B
Combien coûte un dispositif de scraping IA pour générer des leads ?
Le budget dépend du nombre de sources à couvrir, de la complexité du scoring et de l'intégration à votre CRM. Ce projet a mobilisé trois profils data et IA pendant 8 semaines de construction, en s'appuyant sur des briques open source (Python, BeautifulSoup, Selenium). Pour des ordres de grandeur par cas d'usage, consultez notre guide sur le prix d'un agent IA en 2026.
Quel délai avant les premiers leads qualifiés ?
Chez Decathlon Marketplace, la construction a duré 8 semaines (audit des sources, développement des scrapers et du scoring, tests avec les équipes), pour une mise en production au troisième mois. Les impacts ont été mesurés dès les premières semaines d'automatisation, avec plus de 2 000 leads qualifiés au bout de 3 mois.
Scraper des marketplaces concurrentes est-il légal ?
Le dispositif ne collecte que des données publiques librement accessibles, sans contournement de sécurité ni accès non autorisé. Le moteur a été conçu pour respecter les conditions générales d'utilisation des sites cibles et les normes RGPD, avec un stockage sécurisé des données collectées.
Comment les leads sont-ils qualifiés avant d'arriver dans le CRM ?
Le moteur IA ne se contente pas de collecter : il nettoie, croise et note chaque lead selon des critères personnalisés (volumes d'activité, catégories ciblées, historique de performance). Seuls les leads pertinents et actionnables sont poussés dans le CRM, ce qui explique la progression du taux de transformation constatée par les équipes.
