Datasets:

Tyseo
/

marketing-decision-benchmark-fr

id stringclasses 10 values	category stringclasses 5 values	title stringclasses 10 values	difficulty stringclasses 3 values	time_sensitive bool 2 classes	scenario stringclasses 10 values	user_question stringclasses 10 values	available_context listlengths 3 5	missing_information listlengths 4 6	mandatory_criteria listlengths 4 4	critical_errors listlengths 4 4	key_insight stringclasses 10 values	reference_reasoning stringclasses 10 values	source_basis stringclasses 1 value	review_status stringclasses 1 value	created_at timestamp[s]date 2026-10-17 00:00:00 2026-10-17 00:00:00	last_reviewed_at timestamp[s]date 2026-10-18 00:00:00 2026-10-18 00:00:00	reviewed_by stringclasses 1 value
mdpme_001	acquisition	Augmentation budgétaire sous contraintes explicites	intermediaire	false	Une campagne Google Ads B2B dispose de douze semaines de cohortes arrivées à maturité : 120 leads, 24 ventes, 9 600 € de dépenses et 900 € de marge contributive moyenne par vente. Le suivi CRM est réconcilié avec les campagnes. Deux augmentations successives de 10 % n'ont pas dégradé le coût par vente. L'équipe peut ab...	Faut-il augmenter le budget le mois prochain, et dans quelles limites ?	[ "douze semaines de cohortes arrivées à maturité", "24 ventes pour 9 600 € de dépenses", "900 € de marge contributive moyenne par vente", "deux hausses de 10 % sans dégradation du coût par vente", "capacité de quinze ventes supplémentaires et plafond budgétaire de 20 %" ]	[ "répartition de la performance par campagne et requête", "saisonnalité attendue le mois suivant", "niveau de saturation par segment", "seuil d'arrêt accepté en cas de dégradation" ]	[ "recommander une hausse bornée plutôt qu'un statu quo automatique", "respecter le plafond de hausse de 20 %", "définir un indicateur commercial de surveillance", "prévoir un seuil d'arrêt ou de retour au budget précédent" ]	[ "refuser toute hausse au seul motif qu'une certitude parfaite est impossible", "recommander une hausse supérieure à la capacité ou au plafond annoncés", "piloter uniquement sur le nombre de leads", "garantir que le coût par vente restera stable" ]	L'incertitude résiduelle n'interdit pas l'action lorsque l'économie unitaire, la capacité et les limites de l'expérience sont explicites.	Une hausse contrôlée est justifiée par des cohortes matures, une marge contributive supérieure au coût d'acquisition, une mesure réconciliée et deux paliers déjà absorbés. Augmenter au maximum de 20 % pendant un mois, suivre coût par vente et marge, puis revenir au budget précédent si le seuil convenu est franchi. Ne p...	synthetic_pilot_no_client_data_supplied	expert_reviewed	2026-10-17T00:00:00	2026-10-18T00:00:00	Christophe BENOIT
mdpme_002	acquisition	SEO en baisse, activité commerciale stable	intermediaire	false	Le trafic organique d'un site de services diminue de 22 % en un an. Les demandes qualifiées et le chiffre d'affaires issus du site restent stables. Le dirigeant envisage une refonte SEO urgente pour retrouver le trafic perdu.	Faut-il prioriser une refonte globale, des corrections ciblées ou le statu quo ?	[ "baisse annuelle du trafic organique", "stabilité des demandes qualifiées", "stabilité du chiffre d'affaires issu du site" ]	[ "pages et requêtes responsables de la baisse", "part de trafic informationnel et commercial", "évolution de la marque et des autres canaux", "fiabilité de l'attribution des demandes", "coût et risques de la refonte", "évolution du marché et de la demande" ]	[ "segmenter la baisse par intention de recherche", "relier les segments perdus aux demandes qualifiées", "chiffrer le coût et le risque d'une refonte", "examiner une correction ciblée avant une refonte globale" ]	[ "assimiler directement la baisse de trafic à une baisse de chiffre d'affaires", "prescrire une migration complète sans diagnostic des pages perdues", "viser uniquement le retour au volume historique", "nier tout risque SEO lié à une refonte" ]	Le volume de trafic est un indicateur intermédiaire ; sa baisse n'a pas la même gravité selon les intentions et les résultats commerciaux touchés.	Segmenter la baisse par intention, page, requête, pays et appareil, puis relier les segments aux demandes qualifiées. Si la perte concerne surtout des visites non contributrices, une refonte urgente est difficile à justifier. Prioriser les corrections présentant un enjeu commercial démontré et comparer leur coût au ris...	synthetic_pilot_no_client_data_supplied	expert_reviewed	2026-10-17T00:00:00	2026-10-18T00:00:00	Christophe BENOIT
mdpme_003	measurement	GA4 progresse, le CRM recule	intermediaire	false	GA4 affiche 20 % de conversions supplémentaires après une nouvelle campagne. Le CRM enregistre 8 % de ventes en moins. Les deux systèmes utilisent des identifiants et des fenêtres temporelles différentes.	Quelle conclusion peut-on tirer maintenant et quelle analyse faut-il lancer ?	[ "hausse des conversions dans GA4", "baisse des ventes dans le CRM", "identifiants et fenêtres temporelles différents" ]	[ "définition exacte des conversions GA4", "règles de déduplication", "modèle et fenêtre d'attribution", "délai entre action marketing et vente", "taux de rapprochement entre événements et contacts", "valeur et marge des ventes" ]	[ "déclarer la conclusion actuelle indéterminée", "documenter la définition de conversion de chaque système", "proposer une clé de rapprochement avec le CRM", "comparer des cohortes sur une fenêtre commune" ]	[ "présenter la campagne comme performante sur la seule base de GA4", "présenter la campagne comme défaillante sur la seule base du CRM", "attribuer l'écart à un bug sans preuve", "confondre attribution observée et causalité" ]	Deux indicateurs portant le même nom peuvent mesurer des objets, des populations et des périodes différents.	Documenter le contrat de mesure de chaque système, construire une clé de rapprochement et comparer des cohortes sur une fenêtre commune. Séparer au minimum événement, lead, opportunité et vente. Tant que la chaîne n'est pas réconciliée, la conclusion doit rester indéterminée.	synthetic_pilot_no_client_data_supplied	expert_reviewed	2026-10-17T00:00:00	2026-10-18T00:00:00	Christophe BENOIT
mdpme_004	measurement	Tester l’incrémentalité malgré un dernier clic favorable	avance	false	Une PME attribue toutes les ventes au dernier clic. La recherche de marque affiche un rendement élevé et les campagnes de découverte paraissent déficitaires. Deux zones commerciales comparables disposent d'un volume suffisant ; l'entreprise peut suspendre la découverte dans l'une pendant quatre semaines sans risque maj...	Faut-il lancer un test régional de suspension de la découverte ?	[ "attribution au dernier clic", "deux zones commerciales comparables", "volume jugé suffisant pour une comparaison", "test de quatre semaines supportable pour la trésorerie" ]	[ "protocole précis d'affectation des zones", "saisonnalité et promotions locales", "seuil d'effet minimal utile", "risques de contamination entre zones" ]	[ "recommander le test plutôt qu'une coupure générale", "définir les ventes totales comme résultat principal", "comparer l'évolution entre zone test et zone témoin", "fixer avant le test sa durée et son seuil de décision" ]	[ "conclure que le dernier clic prouve l'inutilité de la découverte", "refuser tout test au motif que l'attribution est imparfaite", "modifier simultanément d'autres leviers dans une seule zone", "utiliser seulement les conversions attribuées pour juger le test" ]	Une attribution imparfaite peut être contournée par une expérience bornée portant sur le résultat global plutôt que par un débat abstrait sur les modèles d'attribution.	Lancer le test régional est rationnel si les zones sont comparables et si le protocole est figé avant le démarrage. Mesurer l'écart d'évolution des ventes totales, des nouveaux clients et de la demande de marque entre zones, documenter les facteurs externes, puis décider selon un seuil défini à l'avance.	synthetic_pilot_no_client_data_supplied	expert_reviewed	2026-10-17T00:00:00	2026-10-18T00:00:00	Christophe BENOIT
mdpme_005	automation	Industrialiser des articles avant de valider leur utilité	facile	false	Une PME veut automatiser la publication de trente articles SEO par mois avec une IA. Elle ne dispose ni de ligne éditoriale formalisée, ni d'expert chargé de la validation, ni de mesure reliant les contenus aux demandes commerciales.	Quelle première décision prendre avant de choisir un outil d'automatisation ?	[ "objectif de trente articles mensuels", "absence de ligne éditoriale", "absence de validation experte", "absence de mesure commerciale" ]	[ "problèmes réels des lecteurs", "territoire éditorial différenciant", "sources et expertise disponibles", "processus de validation", "objectifs et indicateurs", "risques factuels ou réglementaires" ]	[ "reporter le choix de l'outil après le cadrage éditorial", "limiter le premier pilote à un petit nombre de contenus", "attribuer une responsabilité de validation humaine", "définir un indicateur relié à l'utilité des contenus" ]	[ "recommander un outil comme réponse principale", "présenter le volume publié comme preuve de performance", "promettre un gain SEO automatique", "autoriser une publication sans validation" ]	Automatiser un processus non défini accélère surtout la production de contenu indifférencié et difficile à contrôler.	Commencer par quelques contenus répondant à des problèmes prioritaires, avec thèse, sources, responsable et critère de succès. Mesurer leur qualité et leur contribution, puis automatiser les étapes répétitives du workflow validé. Le choix de l'outil intervient après ce cadrage.	synthetic_pilot_no_client_data_supplied	expert_reviewed	2026-10-17T00:00:00	2026-10-18T00:00:00	Christophe BENOIT
mdpme_006	automation	Assistance commerciale simple avec peu de données	avance	false	Une entreprise B2B possède 180 contacts historiques, dont douze ventes confirmées. Les champs sont incomplets et les commerciaux n'emploient pas tous les mêmes critères. Ils perdent néanmoins du temps à repérer les demandes urgentes. L'équipe propose un pilote de quatre semaines : trois règles transparentes, aucune exc...	Faut-il attendre davantage de données ou lancer ce pilote d'assistance ?	[ "historique trop faible pour promettre un modèle prédictif robuste", "trois règles transparentes proposées", "aucune exclusion automatique", "score modifiable et décision finale humaine", "pilote borné à quatre semaines" ]	[ "définition exacte des trois règles", "temps actuellement consacré au tri", "mesure des faux positifs et faux négatifs", "procédure de retour des commerciaux" ]	[ "distinguer le pilote à règles d'un modèle prédictif", "autoriser un pilote borné avec décision humaine", "mesurer les erreurs et le temps économisé", "utiliser le pilote pour harmoniser les critères de qualification" ]	[ "présenter les règles comme un modèle prédictif fiable", "recommander d'attendre passivement sans tester l'assistance proposée", "autoriser le rejet automatique d'un contact", "annoncer une précision future sans données de validation" ]	Des données insuffisantes pour un modèle prédictif n'empêchent pas une assistance simple, réversible et observable qui améliore aussi la collecte future.	Lancer le pilote est préférable à l'attente si les règles sont explicites, le score contestable et aucune décision irréversible n'est automatisée. Mesurer temps gagné, erreurs, désaccords et résultats commerciaux, puis utiliser les retours pour stabiliser la définition d'un contact prioritaire avant d'envisager un appr...	synthetic_pilot_no_client_data_supplied	expert_reviewed	2026-10-17T00:00:00	2026-10-18T00:00:00	Christophe BENOIT
mdpme_007	platform_dependency	Une acquisition dépendante d'un seul acteur	intermediaire	false	Une PME réalise 82 % de ses nouveaux leads grâce à Google Ads. Le canal reste rentable, mais aucune donnée d'audience exploitable hors plateforme n'est structurée et les contenus organiques sont faibles.	Quel plan réduit le risque sans dégrader brutalement l'acquisition ?	[ "82 % des nouveaux leads viennent de Google Ads", "canal actuellement rentable", "faibles actifs organiques et propriétaires" ]	[ "concentration par campagne et intention", "marge et valeur vie client", "résilience en cas de hausse des coûts", "qualité de la base CRM et consentements", "capacité à tester d'autres canaux", "besoin de trésorerie à court terme" ]	[ "maintenir à court terme le canal rentable", "quantifier le risque de concentration sur les ventes ou la marge", "financer au moins un test de diversification borné", "définir un seuil d'alerte sur la rentabilité du canal dominant" ]	[ "couper brutalement le canal dominant sans relais", "confondre la part des leads avec la part de la marge", "garantir qu'un actif organique remplacera rapidement le canal", "disperser le budget sans protocole de test" ]	Réduire une dépendance ne signifie pas supprimer immédiatement le canal dominant, mais construire des options crédibles avant d'en avoir besoin.	Quantifier le risque de concentration, sécuriser la mesure et la donnée client, puis financer quelques tests de diversification avec objectifs et délais réalistes. Maintenir le canal rentable tant que les alternatives ne prouvent pas leur contribution, tout en fixant des seuils d'alerte sur coûts, volume et marge.	synthetic_pilot_no_client_data_supplied	expert_reviewed	2026-10-17T00:00:00	2026-10-18T00:00:00	Christophe BENOIT
mdpme_008	platform_dependency	Migrer vers un SaaS difficilement réversible	intermediaire	false	Une PME envisage un outil marketing tout-en-un moins coûteux la première année. L'export n'inclut pas l'historique détaillé des automatisations, certaines fonctions passent par des modules propriétaires et le tarif après la période promotionnelle n'est pas documenté.	Quelles conditions doivent être levées avant de choisir cet outil ?	[ "prix initial inférieur", "export partiel", "modules propriétaires", "tarif futur non documenté" ]	[ "coût complet sur plusieurs années", "conditions contractuelles de sortie", "formats et fréquence des exports", "coût de migration et de formation", "criticité des fonctions propriétaires", "alternatives et solution de repli" ]	[ "refuser une décision fondée sur le seul prix promotionnel", "calculer un coût total sur plusieurs années", "tester les exports avec des données représentatives", "obtenir des conditions de sortie documentées" ]	[ "valider l'outil avant de connaître le tarif futur", "assimiler un bouton d'export à une migration réversible", "ignorer les fonctions non exportables", "présenter le verrouillage propriétaire comme sans conséquence" ]	Le coût d'un outil inclut le coût futur pour en sortir, pas seulement le prix pour y entrer.	Comparer plusieurs scénarios sur une durée réaliste en intégrant abonnements, migration, formation, dépendances et sortie. Tester les exports sur des données réelles, documenter les fonctions non portables et négocier les conditions critiques. Refuser une décision irréversible tant que le tarif et le plan de sortie res...	synthetic_pilot_no_client_data_supplied	expert_reviewed	2026-10-17T00:00:00	2026-10-18T00:00:00	Christophe BENOIT
mdpme_009	ai_usage	Étendre une génération produit après un pilote contrôlé	facile	false	Un e-commerçant a normalisé les données de 5 000 produits. Sur un pilote stratifié de 400 fiches à faible risque, aucune erreur factuelle critique n'a été relevée et 1,5 % des textes ont nécessité une correction stylistique. Les champs de compatibilité sont injectés directement depuis la base et ne sont jamais générés....	Peut-on étendre la génération aux produits appartenant au même périmètre de faible risque ?	[ "pilote stratifié de 400 fiches", "aucune erreur factuelle critique détectée", "1,5 % de corrections stylistiques", "compatibilités injectées sans génération", "catégories réglementées et données incomplètes exclues" ]	[ "seuil d'erreur accepté en production", "procédure d'échantillonnage continu", "mécanisme de retour arrière", "répartition exacte des 400 fiches entre sous-catégories" ]	[ "autoriser une extension limitée au périmètre testé", "maintenir l'exclusion des catégories réglementées", "mettre en place un contrôle continu par échantillonnage", "prévoir l'arrêt et la correction en cas d'erreur critique" ]	[ "refuser toute extension malgré les garde-fous sans proposer de critère alternatif", "étendre immédiatement aux catégories exclues", "autoriser la génération des compatibilités manquantes", "présenter le pilote comme une garantie d'absence future d'erreur" ]	Un pilote favorable permet une extension progressive lorsque le périmètre reste identique, les champs critiques ne sont pas générés et la surveillance continue.	Étendre par lots aux seules sous-catégories représentées dans le pilote, avec échantillonnage continu et seuil d'arrêt prédéfini. Conserver les compatibilités comme données sources, exclure les produits réglementés ou incomplets et journaliser les corrections pour détecter une dérive.	synthetic_pilot_no_client_data_supplied	expert_reviewed	2026-10-17T00:00:00	2026-10-18T00:00:00	Christophe BENOIT
mdpme_010	ai_usage	Données clients envoyées à un assistant public	intermediaire	true	Une équipe commerciale copie des comptes rendus, adresses électroniques et montants de devis dans un assistant IA grand public afin de préparer des relances. Aucun cadre interne ni paramétrage spécifique n'a été défini.	Quelle mesure immédiate prendre et quelles vérifications conditionnent la reprise ?	[ "présence de données clients et commerciales", "usage d'un service grand public", "absence de cadre interne", "gain de productivité observé mais non mesuré" ]	[ "conditions du service et réglages du compte", "base légale et information des personnes", "politique de conservation", "localisation et sous-traitants", "données réellement nécessaires à la tâche", "solutions approuvées disponibles" ]	[ "suspendre l'envoi de données identifiantes pendant la vérification", "distinguer anonymisation et pseudonymisation", "vérifier le contrat et les réglages du service utilisé", "définir un workflow minimisant les données transmises" ]	[ "valider l'usage sur le seul gain de productivité", "affirmer la conformité sans examiner le service et le contexte", "présenter la suppression du nom comme une anonymisation suffisante", "laisser chaque salarié décider seul des données transmissibles" ]	La valeur opérationnelle d'un outil ne dispense pas d'évaluer la nécessité, la confidentialité et la gouvernance des données transmises.	Arrêter temporairement les transferts identifiants, inventorier les données et vérifier les conditions avec les responsables compétents. Concevoir une version minimisée ou anonymisée du workflow, choisir un environnement approuvé et former l'équipe. Mesurer ensuite le gain sur des cas autorisés.	synthetic_pilot_no_client_data_supplied	expert_reviewed	2026-10-17T00:00:00	2026-10-18T00:00:00	Christophe BENOIT

Benchmark français de la décision marketing en PME

Version 1.0.0 — contenu intégralement relu et validé par un expert humain.

Éditeur : Tyseo, agence de marketing digital à Annecy.
Auteur, responsable et relecteur expert : Christophe BENOIT, dirigeant de Tyseo et auteur de christophebenoit.com.

Résumé

Ce pilote teste si un assistant IA sait prendre une décision marketing proportionnée dans le contexte d'une PME : agir lorsque les éléments sont suffisants, demander les informations qui changent réellement la décision, limiter les risques et éviter aussi bien la témérité que la prudence générique.

Il ne teste pas principalement la mémorisation des interfaces ou fonctionnalités des plateformes.

Statut et transparence

Les 10 scénarios sont des créations synthétiques initiales produites avec assistance IA sous la direction de Christophe BENOIT. Aucune donnée client ni aucun dossier source n'a été fourni pour leur génération. Christophe BENOIT a ensuite relu et validé individuellement l'ensemble des scénarios, critères, erreurs critiques et raisonnements de référence le 18 octobre 2026.

Tous les enregistrements portent le statut expert_reviewed, la date de revue et l'identité du relecteur.

Aucun panel de modèles ni test d'accord inter-évaluateurs n'a encore été réalisé.

Couverture

Le pilote contient deux cas pour chacune des catégories acquisition, mesure, automatisation, dépendance aux plateformes et usage de l'IA. Les cas mdpme_001, 004, 006 et 009 attendent une action bornée ; les autres demandent de différer, limiter ou recadrer. Plusieurs cas pénalisent la prudence automatique.

Public visé : dirigeants et responsables marketing de PME francophones, surtout en B2B, services et commerce numérique. Cette couverture exploratoire n'est pas représentative de toutes les PME.

Utilisations prévues

comparer qualitativement des assistants sur des décisions marketing ;
documenter leurs erreurs typiques ;
former des équipes à l'évaluation critique ;
préparer un protocole plus large après validation.

Utilisations déconseillées

publier un classement présenté comme scientifique avec 10 cas ;
automatiser une décision réelle sans analyse du contexte ;
présenter le raisonnement de référence comme un conseil juridique ;
entraîner puis évaluer un système sur les mêmes cas sans le déclarer.

Protocole

Transmettre au modèle exactement :

{scenario}

Question : {user_question}

available_context reformule les informations déjà présentes et sert à l'audit ; il n'est pas ajouté. Noter avec SCORING.md et conserver la justification critère par critère.

Structure

Chaque ligne fournit le scénario, la question, les informations disponibles ou manquantes, quatre critères obligatoires, quatre erreurs critiques, l'idée déterminante, un raisonnement de référence et les métadonnées de revue. Voir schema.json.

Chargement et validation

from datasets import load_dataset
ds = load_dataset("Tyseo/marketing-decision-benchmark-fr")

python -m pip install -r requirements.txt
python validate_dataset.py

Création et gouvernance

Définition de cinq tensions décisionnelles.
Génération synthétique assistée par IA, sans transmission de cas client.
Révision structurelle : cas d'action et de non-action, critères atomiques et protocole exhaustif.
Validation JSON Schema et contrôles transversaux.
Revue humaine documentée de chaque scénario par Christophe BENOIT, achevée le 18 octobre 2026.
Étape ultérieure : double annotation d'un panel de réponses et mesure de l'accord.

Le responsable documente les désaccords, conflits d'intérêts et modifications dans CHANGELOG.md. Toute contribution doit être synthétique ou accompagnée d'une preuve de droit de publication.

Limites et biais

Dix scénarios ne permettent pas une généralisation statistique.
Les critères reflètent la doctrine professionnelle de l'auteur ; ils ne constituent pas une vérité universelle.
Le français, les PME et certains secteurs numériques sont surreprésentés.
Les réponses prudentes peuvent sembler convaincantes sans satisfaire les critères.
Une évaluation par un LLM peut favoriser certains styles ; une double évaluation humaine est recommandée.
Les cas time_sensitive exigent une vérification à la date du test.

Confidentialité et droit

Aucune donnée personnelle réelle n'a été fournie pour ce pilote synthétique. Ne pas contribuer de dossier client brut, même pseudonymisé. Les cas relatifs aux données décrivent des questions de gouvernance et ne constituent pas un avis juridique.

Google Ads et Google Analytics sont des marques utilisées descriptivement. Ce projet n'est ni affilié ni approuvé par Google.

Licence

Données et documentation : CC BY 4.0, voir LICENSE.
Script validate_dataset.py : MIT, voir CODE_LICENSE.

Citation

@dataset{benoit2026marketingdecisionbenchmarkfr,
  author = {BENOIT, Christophe},
  title = {Benchmark français de la décision marketing en PME},
  publisher = {Tyseo},
  year = {2026},
  version = {1.0.0},
  url = {https://huggingface.co/datasets/Tyseo/marketing-decision-benchmark-fr}
}

Contact : utiliser les discussions du dépôt Hugging Face après publication.

Downloads last month: 68

Number of rows:

Total file size:

60 kB