De l'Excel à un pricing data-driven de haut niveau : comment Faume a créé un avantage concurrentiel et gagné +15 % de ventes en 6 mois

Faume : une scale-up Fashion Tech avec un actif data unique

Fondée en 2020, Faume opère la seconde main en marque blanche pour plus de 45 marques de mode premium et luxe — Lacoste, Sandro, ba&sh, Ami Paris, Aigle, Victoria Beckham. Concrètement, Faume gère l’intégralité du cycle de vie d’un vêtement de seconde main : reprise, reconditionnement, pricing, remise en vente, logistique, sous la marque du client.

Ce positionnement confère à Faume un avantage structurel rare : les données croisées de catalogues et de transactions de dizaines de marques premium sur un même marché. Aucune marque isolée n’a cette profondeur. Aucune marketplace généraliste n’a cette structuration par catalogue.

Au moment de sa levée de fonds de 8 millions d’euros, Faume avait déjà construit un système de pricing. Mais l’ambition était plus haute : devenir le standard du pricing seconde main pour les marques premium en Europe. L’écart entre cette ambition et la réalité opérationnelle était le véritable enjeu.

Le diagnostic : le problème n’était pas celui qu’on avait vendu

Quand Faume a mobilisé Uman Partners, la demande initiale portait sur les algorithmes. La réalité était autre.

Faume avait déjà investi sérieusement : un cabinet de conseil Data/IA, des algorithmes développés, des solutions analytiques. Mais le résultat ressemblait à une boîte noire. L’équipe ne voyait pas clairement ce qui fonctionnait dans son pricing. Elle ne savait pas quels leviers activer.

Comme le résume Nicolas Viant, cofondateur de Faume : « On était convaincus du potentiel data-driven du pricing. Mais dans les faits, on n’avait pas encore les bonnes fondations. On perdait un temps fou sur la donnée avant même de pouvoir analyser quoi que ce soit. »

La confusion data science / data analyse

La première erreur était classique : on avait vendu de la data science là où il fallait d’abord de la data analyse. Comprendre ce qui se passait réellement dans le pricing existant — profondeur descriptive, méthodique, ancrée dans l’expertise métier — avant de chercher à l’optimiser par du machine learning.

Faume n’avait pas besoin d’un data scientist supplémentaire. Elle avait besoin d’un profil capable de faire du pricing avancé à partir des données, avec une expertise spécifique sur les mécanismes du pricing seconde main — un marché où chaque pièce est unique, l’état variable, l’image de marque ultra-sensible.

La BI sans fondation : une impasse

Le deuxième blocage portait sur l’infrastructure. Faire tourner des cas d’usage analytiques directement sur les bases de production — solution proposée comme « clé en main » — est techniquement possible, mais fragile, lent, et non scalable.

Faume avait besoin d’une data platform légère, adaptée à son stade de maturité, capable de croiser les données nécessaires au pricing et de préparer les cas d’usage suivants. On avait vendu le deuxième étage de la fusée à une entreprise qui n’avait pas encore le premier.

L’intervention : deux managers de transition Data, opérationnels en deux semaines

Uman Partners a proposé de mobiliser deux profils en management de transition Data & IA, chacun répondant précisément à l’un des deux verrous identifiés.

Un Head of Data expert en pricing seconde main

Pas un chef de projet data généraliste. Un profil capable de prendre en main directement les sujets de pricing par la data analyse, avec une expérience avancée du pricing en seconde main et en environnement startup.

Mobilisé en moins de deux semaines. D’abord à trois jours par semaine — un rythme calibré pour créer la dynamique sans peser sur le budget — puis dégressif au fil de la montée en maturité de l’équipe interne.

Un Lead Data Engineer pour poser les fondations

Sa mission : construire la data platform à partir de zéro — puisqu’il n’y avait que des bases de production — pour débloquer les cas d’usage de pricing et préparer ceux qui suivraient. La stack a été montée en trois semaines.

L’approche a rompu avec ce qui avait été fait précédemment sur un point essentiel : la transparence. Pas de boîte noire. Chaque levier de performance pricing a été expliqué, documenté, partagé avec les équipes métier. Les account managers ont été embarqués dès le début — non comme destinataires passifs, mais comme acteurs de la transformation.

Les résultats : six mois, deux profils, un changement de trajectoire

En six mois, les résultats ont été tangibles sur tous les fronts.

Une data platform moderne, scalable, à l’état de l’art. Posée en quelques semaines, elle a déverrouillé non seulement le pricing mais l’ensemble des cas d’usage analytiques — animation de la performance, supply chain, reporting client.

50 % du portefeuille client repricé. Un repricing méthodique, fondé sur une analyse descriptive profonde des données historiques, de l’élasticité-prix, de la rotation, de la saisonnalité. Résultat : une accélération des ventes de +15 % sur la période de repricing, tout en protégeant la marge et l’image prix.

Une crédibilité restaurée auprès des marques clientes. Nicolas Viant le formule simplement : « On a réussi à poser des chiffres sur leurs intuitions, et ça a changé la conversation. Des décisions plus rapides, moins de débats au feeling, et une vraie confiance de nos marques clientes dans nos arbitrages pricing. »

Des équipes transformées. Les account managers sont passés d’un pricing dans Excel à un environnement qui n’a rien à envier aux grands acteurs du retail.

Un pôle data interne recruté et dimensionné juste. Le Head of Data de transition a piloté le recrutement de l’équipe interne. Pas un CDO à 200K€ surdimensionné. Un pôle calibré pour la maturité data de Faume au moment du passage de relais — parce que les grands choix avaient déjà été faits.

« Investir dans un pôle data orienté ROI se justifie vite. Pas de la data pour la data, mais parce que ça économise du temps humain, ça sécurise les décisions, et ça évite de piloter à l’instinct. » — Nicolas Viant

Ce que ce cas nous enseigne sur le management de transition Data

La séquence : comprendre, outiller, optimiser

Ce schéma — un potentiel data évident mais verrouillé par un diagnostic mal posé — se retrouve dans 70 % des ETI et scale-ups que nous accompagnons. La séquence vertueuse est presque toujours la même : comprendre d’abord (data analyse + expertise métier), outiller ensuite (data platform), puis optimiser (data science, ML). Pas l’inverse.

On vend de la data science là où il faut d’abord de la data analyse. On propose du machine learning là où le besoin premier est une expertise métier appliquée aux données. On construit une BI « sans stack data » au lieu de poser une plateforme légère mais solide. Le résultat est toujours le même : boîte noire, investissement sans retour visible, paralysie.

La question du dimensionnement : le management de transition comme équilibre

Recruter un CDO ou un Head of Data très senior en CDI dans une entreprise qui n’a pas encore sa plateforme de données, c’est un risque. Le profil s’ennuie ou s’épuise à faire de l’exécution tactique.

À l’inverse, recruter un profil junior, c’est faire des choix technologiques et stratégiques inadaptés qui coûteront cher ensuite.

Le management de transition Data résout cette équation. Un profil très senior pose les fondations, fait les choix d’architecture, résout les points de douleur critiques, recrute l’équipe ajustée — puis passe la main. L’entreprise repart avec les bonnes bases, le bon dimensionnement, et sans le coût structurel d’une séniorité devenue superflue.

C’est exactement ce qui s’est passé chez Faume.

---

Vous êtes confronté à cette même équation — un potentiel data évident mais verrouillé par un diagnostic mal posé ? Discutons-en. Florent Cattaneo, Associé Uman Partners Interim Management — florent.cattaneo@uman-partners.com