Du bruit social au signal pour mieux piloter les approvisionnements

Pour mieux anticiper l’impact des campagnes social media sur les approvisionnements, les équipes logistiques et data de Martin Brower avaient besoin d’identifier, pendant leur diffusion, les conversations réellement liées à la marque parmi un volume important de bruit social. aiko a conçu un dispositif quotidien capable de collecter, qualifier et comparer ces signaux pour en faire une donnée exploitable, tout en maîtrisant les faux positifs et les coûts d’API.

AI Plan AI Build AI Run AI Change

Logistique & Distribution Entrepôt Martin Brower

posts analysés: 250 000
snapshots d’engagement: 4,5 M
de bruit filtré: 78 %

Le point de départ

Mesurer une campagne sans confondre la marque avec le phénomène culturel

Les campagnes marketing d’un client clé de Martin Brower s’appuient régulièrement sur des objets culturels — groupe de K-pop, compétition sportive ou marque partenaire — qui génèrent leurs propres volumes de conversation. Une recherche fondée uniquement sur des mots-clés remonte alors une majorité de publications sans rapport direct avec la campagne et produit un reporting difficilement exploitable.

Les équipes logistiques et les data scientists de Martin Brower devaient pouvoir suivre le niveau et la tonalité du buzz, comparer les campagnes sur une base homogène et disposer d’une meilleure visibilité pendant leur déroulement. Les outils de social listening existants répondaient au suivi continu d’une marque, mais pas à une définition de la pertinence propre à chaque brief de campagne.

Le dispositif devait également rester économiquement maîtrisé. Les plateformes sociales ayant restreint leurs API publiques, la collecte passe par un agrégateur payant soumis à des limites et à une facturation par crédits. Tout retraitement inutile ou toute collecte trop large augmente donc directement le coût du projet.

Une mesure construite de bout en bout

Du brief métier à un dispositif exploité quotidiennement

L’intervention a consisté à définir avec le métier ce qui devait être considéré comme pertinent, construire un pipeline multi-plateformes, le rendre reprenable et exploitable en production, puis restituer les résultats dans un format utilisable pour le suivi et la comparaison des campagnes.

01AI Plan
Définir le signal utile avant de collecter
Le cadrage a précisé le besoin, le fonctionnement attendu et l’architecture du dispositif. Pour chaque campagne, un brief formalise le contexte et le critère de pertinence que l’analyse devra appliquer aux publications collectées.
02AI Build
Construire un pipeline découplé et reprenable
aiko a développé une chaîne en trois étapes : collecte multi-plateformes, ingestion dans une base SQLite avec enrichissement des auteurs et snapshots d’engagement, puis analyse de pertinence et de sentiment. Chaque étape persiste son résultat afin qu’un incident tardif n’oblige pas à relancer et refacturer le travail déjà effectué.
03AI Run
Automatiser l’exécution et corriger durablement
Le pipeline est déployé sur GCP et fonctionne en production depuis mai 2026. Un déclenchement quotidien découvre les campagnes actives et lance un conteneur pour chacune d’elles. La consommation de crédits API est suivie comme une métrique de pilotage.
04AI Change
Rendre la mesure lisible et comparable
Un dashboard Streamlit restitue le détail de chaque campagne et une comparaison inter-campagnes. Cette seconde vue apporte une base homogène — même méthode de collecte, même définition de la pertinence et même modèle de sentiment — qui n’était pas disponible auparavant.

De la collecte à la restitution

Ce qui a été réalisé

Le dispositif réunit collecte multi-plateformes, suivi de l’engagement, qualification par IA, restitution comparative et exploitation quotidienne.

Collecte multi-plateformes

Automatiser le suivi des campagnes actives

Le pipeline collecte quotidiennement les publications sur X/Twitter, TikTok et Instagram via Data365. Les informations des auteurs sont récupérées et enrichies lorsque les posts sont jugés liés à la campagne et pertinents.

Dynamique d’engagement

Suivre une trajectoire plutôt qu’un compteur

Chaque publication collectée fait l’objet d’un nouveau snapshot quotidien : vues, likes, commentaires et partages. Cette série permet de suivre l’évolution de l’engagement pendant la campagne plutôt que de conserver une mesure prise à un instant unique.

Pertinence & sentiment

Séparer le signal de campagne du bruit culturel

Un modèle OpenAI analyse chaque post à partir du brief de campagne et produit une sortie structurée indiquant s’il engage réellement la marque. En cas d’erreur API, le verdict reste non renseigné et la publication est reprise lors de l’exécution suivante. Une seconde analyse multilingue qualifie le sentiment comme positif, négatif ou neutre.

Dashboard

Comparer les campagnes sur une base homogène

Le dashboard Streamlit propose une vue détaillée par campagne et une vue comparative. Il permet aux équipes de suivre l’avancement et d’interpréter les résultats avec une méthode constante d’une campagne à l’autre.

Infrastructure

Exploiter plusieurs campagnes en parallèle

Sur GCP, Cloud Scheduler déclenche un orchestrateur qui identifie les campagnes actives et lance un conteneur pour chacune d’elles. Les résultats intermédiaires sont persistés sur un stockage objet et les secrets sont gérés dans l’infrastructure.

Viralité

Une capacité développée, encore en arbitrage

Un script calcule les écarts d’engagement quotidiens pour identifier les contenus dont la diffusion accélère. La capacité est développée, mais son seuil de détection reste à arbitrer. Le découplage d’un job par plateforme et l’optimisation des mots-clés sont également identifiés comme des améliorations futures, non encore déployées.

L’arbitrage structurant

Découpler le pipeline pour ne repayer que l’étape qui échoue

Une première version du dispositif se concentrait sur la collecte. L’analyse de pertinence a ensuite été ajoutée lorsque les équipes ont constaté que la valeur ne venait pas du volume disponible, mais de la capacité à déterminer quelles publications concernaient réellement la campagne.

L’architecture a également été transformée pour séparer Collect, Ingest et Analyze, avec une persistance après chaque étape. Sur une API facturée à l’appel, un pipeline monolithique interrompu tardivement perd les données et les crédits déjà consommés. Avec une chaîne reprenable, seul le traitement incomplet doit être relancé. Lors d’un incident où l’analyse a dépassé son délai d’exécution, la reprise a ainsi porté sur cette seule étape, sans nouvelle collecte.

Sources sociales

X / Twitter
TikTok
Instagram

Pipeline reprenable

Collect → Ingest → AnalyzeSQLite · stockage objet · analyse structurée · snapshots quotidiens

Une architecture conçue autour du coût d’un échec, avec un point de sauvegarde après chaque étape.

Les résultats

Une mesure quotidienne débarrassée de l’essentiel du bruit

Le dispositif a analysé environ 249 700 publications sur 6 campagnes ingérées, parmi 8 campagnes configurées et 3 plateformes. Environ 54 100 posts ont été retenus comme pertinents : près de 78 % du volume initial a donc été écarté comme bruit avant restitution.

4,5 M
snapshots d’engagement: 54 100
posts jugés pertinents: 40 000
auteurs identifiés et enrichis: 100 %
des posts analysés sur les campagnes ingérées

Un pipeline exploité sans intervention quotidienne

Le pipeline fonctionne en production depuis mai 2026 avec une exécution automatisée chaque jour. Son fonctionnement idempotent ne traite que les publications encore dépourvues d’analyse, ce qui évite les retraitements et les coûts redondants.

Une comparaison inter-campagnes devenue possible

Les équipes disposent désormais d’un suivi par campagne et d’une comparaison fondée sur une méthode homogène. Les mêmes règles de collecte, de pertinence et de sentiment rendent les résultats comparables dans le temps.

L’insight projet

Définir ce qui compte avant de dimensionner la collecte

Le projet s’est présenté au départ comme un sujet d’analyse de sentiment et de viralité. Les briques d’analyse se sont révélées relativement standard ; la difficulté décisive consistait à définir le périmètre pertinent lorsque le sujet culturel d’une campagne génère beaucoup plus de conversations que la marque elle-même.

Sur des données externes facturées à l’usage, commencer par collecter largement avant de décider ce que l’on cherche est à la fois coûteux et peu productif. Le critère de pertinence doit être écrit et validé avec le métier avant la première collecte : il conditionne les plateformes, les mots-clés, la profondeur à financer et la valeur du reporting.

Le suivi quotidien apporte ensuite la continuité nécessaire pour transformer un volume en trajectoire. Une mesure régulière et comparable permet de voir une campagne monter ou retomber pendant qu’elle est encore active ; sans référence préalable au lancement, les chiffres obtenus après la campagne restent difficiles à interpréter.

Votre trajectoire

Faire émerger les capacités IA qui méritent vraiment d’être mutualisées

Échangeons sur vos enjeux métiers, Data et SI pour construire une trajectoire adaptée à votre organisation.

Parler à un expert

Mesurer une campagne sans confondre la marque avec le phénomène culturel

Du brief métier à un dispositif exploité quotidiennement

Définir le signal utile avant de collecter

Construire un pipeline découplé et reprenable

Automatiser l’exécution et corriger durablement

Rendre la mesure lisible et comparable