Maison de luxe · Tri-geo
Maison de luxe : 280 boutiques, MACH, follow-the-sun, ROI en 18 mois.
Silos stocks/commandes/CRM. Architecture MACH, commerce composable, CDP unifiée, équipe globale sur 3 hubs.
Indicateur
+24%
conversion omnicanal
Durée
22 mois
Équipe
11 ingés
Pôle(s)
Tri-geo
280 boutiques sur 4 continents, des stocks invisibles d'un canal a l'autre, et 9 mois pour livrer une feature. Une marque de luxe ne peut pas se permettre ce time-to-market en 2026.
Le contexte
Maison de luxe europeenne, 6 200 collaborateurs, presence physique dans 38 pays. Trois plateformes e-commerce regionales (EMEA, Americas, APAC), trois CRM, deux outils de gestion de stock, aucune source de verite client unique.
Le probleme
- Stocks/clients/commandes silotes par region
- Time-to-market d'une feature : 9 mois en moyenne
- Aucune vue 360 client (un meme client compte 3 a 5 fois selon les systemes)
- Conversion cross-canal sous-mesuree, estimee 3 fois trop faible
- Dependance a un editeur historique en perte de vitesse
L'approche
Architecture MACH (Microservices, API-first, Cloud-native, Headless) batie autour de commercetools comme commerce engine. Equipe globale en mode follow-the-sun avec rotation Paris-Montreal-Tokyo, gouvernance partagee.
Les chantiers
- commercetools comme moteur commerce unique multi-region
- CDP (Segment + Snowflake) comme source de verite client
- Front Next.js par marche avec composants partages
- Search Algolia federe avec personnalisation par segment
- Squad globale follow-the-sun, daily de bascule a 9h Paris/9h Tokyo
La stack
- commercetools (commerce engine), Algolia (search)
- Snowflake (CDP), Segment (collecte), dbt (modelisation)
- Next.js 16 (front), Vercel multi-region
- AWS multi-region (us-east-1, eu-west-1, ap-northeast-1)
- Contentful (CMS headless)
Les resultats
- Time-to-market features : 9 mois vers moins de 2 semaines
- Conversion cross-canal : +24%
- Vue 360 client : 100% des clients deduplique sous 6 mois
- ROI atteint a 18 mois (vs 36 dans le business case initial)
- NPS clients VIP : +14 points sur 12 mois
« Abbeal a livre ce que trois prestataires precedents nous avaient promis sans tenir. La difference : ils ont assume les arbitrages durs au lieu de nous laisser arbitrer. »
Ce qu'on a appris
MACH est puissant mais explose le nombre d'integrations a maintenir : il faut une vraie plateforme team des le debut. Le follow-the-sun fonctionne avec 3 hubs maximum, au-dela les handoffs deviennent ingerables. Erreur : on a sous-estime la conduite du changement en boutique (formation des vendeurs sur les nouveaux outils). A refaire : embarquer 10 vendeurs des le mois 1 dans la conception, pas au mois 18.
// À lire ensuite
Joaillerie & horlogerie de luxe · Genève + Paris + Tokyo
Cartier : de l'audit au LLM privé en interne.
Compass (audits architecture frontale + arriere), Mapper (generateur produits horlogerie + joaillerie), ETL donnees concurrence sur BigQuery, et desormais un LLM prive ajuste sur l'infra Cartier. Un partenariat tech long-terme sur la pile data et IA d'une maison de luxe.
LLM privé
ajusté sur infra Cartier
Banque de premier rang · Paris
BNP Paribas : Reference Book PO, de React/Redux aux agents IA produits.
Trois ingénieurs Abbeal au cœur de la place de marché PO. Plateforme React/Redux/Node au départ, désormais augmentée d'un RAG produits, d'agents Claude pour assistance PM, et d'une couche événementielle Kafka pour mise à l'échelle.
RAG
catalogue produits PO
Banque numérique / FinTech · Tokyo (Tamachi)
Money Forward : pile data d'une nouvelle banque numérique à Tokyo.
Money Forward, chef de file FinTech japonais cote a Tokyo, s'est associe a un grand groupe bancaire japonais pour lancer une nouvelle banque numerique batie a partir de zero. Abbeal accompagne sur le volet Data Engineering : conception et industrialisation du Data Hub (Databricks + Delta Lake + dbt + AWS Tokyo) qui sert le reporting JFSA, l'AML, la gestion des risques.
Data Hub
banque numérique from-scratch Tokyo
