Ce qu'on a construit.
Dans l'ombre.

Une nouvelle filiale fintech à lancer au sein d'un groupe d'envergure. Pas de CRM. Pas d'équipe Customer Success. Et un go-live dans 2 mois.

Nous avons construit l'architecture RevOps complète sur HubSpot — Sales + Service, pipelines multi-équipes, propriétés custom, scoring churn/upsell, flux API entrants, dashboards par niveau hiérarchique — pendant qu'en parallèle nous alimentions l'équipe recrutement avec une stack de sourcing 100% IA (pré-qualification, scoring, personnalisation automatisée).

Au go-live, l'équipe est en place. L'architecture est dimensionnée pour onboarder plusieurs dizaines de milliers de clients. Les campagnes de recrutement tournent avec +44% de reply rate.

Une startup fintech au lancement. Pas de notoriété, aucun canal organique, un founder sans présence LinkedIn — ni le temps ni la posture pour la construire.

Nous avons opéré pour lui, dans l'ombre. Stratégie inbound, ligne éditoriale, formats qui convertissent — et surtout un système de production augmenté à l'IA et automatisé : génération assistée, validation, programmation, suivi de performance. HubSpot branché derrière pour capturer et qualifier les leads.

Sans ressource interne. Sans le founder aux commandes.

Modèle hybride PLG + sales-led. La mission initiale : poser le reporting financier dans HubSpot. En montant les dashboards, un écart significatif et persistant apparaît entre Stripe et HubSpot — non explicable, jamais résolu.

Nous avons élargi le scope. Industrialisation de la sync Stripe → HubSpot via n8n (deals, line items, abonnements), construction du dashboard Finance, puis investigation via l'API ligne par ligne pour remonter à la cause racine.

Bug critique identifié, documenté, cas concrets à la clé. Reporting réconcilié. Dashboard par canal d'acquisition opérationnel pour la direction.

Une base qui vieillit, des territoires à ouvrir, et rien qui alimente l'équipe de façon régulière. Première étape, factuelle : 3 500 entreprises repassées, 79% rattachées à leur page LinkedIn.

La mission s'est prolongée en machine complète — données dans Airtable, traitements opérés dans n8n. Le périmètre d'entreprises est reconstruit depuis le registre national des entreprises, puis trié par un juge LLM : un quart des sociétés est écarté avant tout achat de donnée (holdings, filiales de grands groupes, sociétés radiées), 1 827 sont retenues. Les dirigeants sont récupérés dans le même registre : la base passe de 52 à 1 313 décideurs nommément identifiés.

La donnée publique porte le gros du volume ; le budget d'enrichissement ne se déclenche que sur la liste courte, et seuls les emails vérifiés délivrables passent — 72%. À l'arrivée, 170 comptes prêts à être travaillés : entreprise qualifiée, décideur identifié, email vérifié, message préparé. L'activation reste chez eux. La machine est construite en nodes natifs pour qu'un profil junior puisse l'exécuter — ouvrir un territoire de plus ne demande pas de repartir de zéro.