Fiches produits et IA : le socle de votre stratégie GEO

Synthèse

Les descriptions produits sont le socle de toute stratégie de Generative Engine Optimization (GEO). Pourtant, la plupart des grandes marques du retail les traitent comme une tâche de contenu isolée. D'après l'analyse par Newtone de plus de 200 transformations dans le retail et nos recherches propriétaires sur les citations par les IA, les enseignes doivent dès maintenant faire évoluer leurs descriptions produits : passer de listes de caractéristiques génériques à des écosystèmes de contenus riches sur le plan sémantique et faisant autorité, adaptés à la fois à la recherche classique et à la découverte via l'IA.

Nos résultats montrent que les grandes marques du retail qui déploient des descriptions produits optimisées par l'IA augmentent de 40 à 70 % leur fréquence de citation par l'IA en 6 mois, gagnent 25 à 35 % de taux de conversion, et construisent un avantage concurrentiel durable, de plus en plus difficile à copier. À l'inverse, les enseignes qui gardent leurs descriptions produits actuelles deviennent invisibles dans la découverte via l'IA, car les systèmes d'IA concentrent les signaux d'autorité sur les enseignes les plus citées. Celles-ci captent 60 à 70 % de la visibilité d'une catégorie, alors que la recherche classique répartit davantage la visibilité.

Le défi de fond : une organisation de contenu produit classique ne peut pas produire durablement les 15 à 20 contenus associés par produit clé qu'exige une visibilité complète dans l'IA. Il faut une infrastructure de contenu d'un autre type : des systèmes d'IA entraînés sur vos guidelines de marque et vos standards éditoriaux, capables de générer des variantes sémantiques couvrant 40 à 50 types de requêtes associées par catégorie de produits, avec une cohérence de marque parfaite « at scale ».

Notre analyse montre que les grandes marques du retail dotées d'une infrastructure de contenu adaptée à cette transformation gagnent 40 à 60 % de trafic qualifié, et installent des positions d'autorité qui se renforcent d'elles-mêmes à mesure que les systèmes d'IA apprennent des interactions avec les utilisateurs. Celles qui optimisent leurs contenus produits sans revoir leur infrastructure de production n'obtiennent qu'un impact minime et restent marginalisées dans la découverte via l'IA.

Actions immédiates : auditez la visibilité IA et la performance en conversion de vos descriptions produits actuelles. Évaluez la capacité de votre infrastructure de contenu à multiplier la production par 5 à 10 tout en préservant la cohérence de marque. Lancez la transformation de vos contenus produits dans les 90 prochains jours, pour prendre position avant que le marché ne se concentre de façon irréversible sur quelques sources de référence.

Le défi structurel : pourquoi les descriptions produits classiques échouent face à l'IA

Les grandes marques du retail font face à une rupture stratégique immédiate. Les descriptions produits qui fonctionnaient correctement en recherche classique, optimisées pour des keywords précis et conçues pour une lecture rapide, ne répondent pas aux besoins de contenu des systèmes de découverte par l'IA.

Les chiffres montrent l'ampleur du problème :

Les limites de la création de contenu classique : les grandes marques du retail passent 20 à 30 minutes à rédiger chaque description produit, et une enseigne de taille moyenne a besoin de plus de 500 descriptions uniques par mois. À ce rythme, couvrir l'ensemble des contenus nécessaires n'est pas économiquement viable.

Les besoins de démultiplication des contenus liés à l'IA : pour être pleinement visible dans les systèmes d'IA, il faut des contenus qui couvrent 40 à 50 variantes sémantiques par catégorie de produits, au lieu de cibler des keywords isolés. Une enseigne spécialisée a besoin de 15 à 20 contenus associés par produit clé pour couvrir toutes les requêtes, soit un volume de production multiplié par 10 à 15 par rapport à une approche classique.

Les conséquences d'une infrastructure de contenu insuffisante : des descriptions produits génériques et rédigées dans l'urgence sont peu performantes sur tous les canaux de découverte. Un contenu classique centré sur les keywords ne crée pas les relations sémantiques que les systèmes d'IA privilégient lors de l'expansion de requête. Résultat : une invisibilité systématique, en recherche classique comme dans la découverte via l'IA.

Le problème de fond : une organisation de contenu classique ne peut pas produire durablement le volume et la complexité de structure qu'exige une visibilité complète dans un environnement retail piloté par l'IA.

Comprendre comment les systèmes d'IA lisent les contenus produits

Les grandes marques du retail doivent intégrer que les systèmes d'IA évaluent et citent l'information produit de façon très différente des moteurs de recherche classiques. Cette différence conditionne chaque aspect d'une stratégie de contenu produit efficace.

Comment l'IA choisit ses citations : les systèmes d'IA sélectionnent leurs sources selon l'ensemble de leurs signaux d'autorité, et non selon la densité de keywords. Contrairement aux résultats de recherche classiques, qui affichent plusieurs options, l'IA conversationnelle privilégie naturellement une source unique et fiable, qui donne une réponse définitive. Cet effet de concentration renforce la logique du « premier qui rafle tout » : l'analyse de Newtone montre que l'enseigne la plus citée dans chaque catégorie capte 60 à 70 % de la visibilité obtenue via l'IA, alors qu'en recherche classique, la présence concurrentielle se répartit de façon plus équilibrée entre les résultats.

Le besoin de contenus riches : les systèmes d'IA extraient et synthétisent l'information à partir de contenus produits à plusieurs dimensions : caractéristiques fonctionnelles, positionnement face aux alternatives, cas d'usage et résolution de problèmes. Un contenu sans ces relations sémantiques n'apparaît pas dans les réponses IA, quelle que soit la qualité de son optimisation SEO classique.

Une découverte guidée par l'intention : les requêtes adressées aux systèmes d'IA sont 3 fois plus complexes que les recherches classiques. Au lieu de « casque sans fil », l'utilisateur demande « meilleur casque sans fil pour les visioconférences à moins de 200 $, avec réduction de bruit, pour le télétravail ». Les descriptions produits doivent répondre à cette complexité sémantique, au lieu de se limiter à une optimisation sur des keywords étroits.

Ce décalage entre les contenus produits classiques et les besoins des systèmes d'IA crée à la fois un risque et une opportunité : les enseignes qui adaptent leurs descriptions produits à la visibilité dans l'IA construisent un avantage concurrentiel durable, celles qui gardent leurs méthodes actuelles sont marginalisées.

La transformation : générer des contenus produits par IA at scale

Des études récentes du secteur montrent des gains nets de productivité et de qualité lorsque les enseignes déploient des systèmes de rédaction de descriptions produits par IA :

Gain de temps et de ressources : les systèmes d'IA génèrent des descriptions produits en quelques secondes au lieu de plusieurs minutes, soit une réduction de 93 % du temps de création. Ce gain de productivité permet de passer d'une production manuelle limitée à une couverture complète des contenus, de façon durable.

Une structure de coûts améliorée : le coût de production par contenu baisse de 85 % avec la génération par IA. Surtout, les enseignes peuvent désormais produire les 15 à 20 descriptions associées par produit clé qu'exige une couverture sémantique complète. La question économique change de nature : on passe de « pouvons-nous financer la rédaction de nos descriptions produits ? » à « pouvons-nous financer l'infrastructure de contenu nécessaire à notre visibilité dans l'IA ? ».

Cohérence et qualité at scale : des systèmes d'IA entraînés sur vos guidelines de marque, vos standards éditoriaux et vos contenus existants produisent des descriptions qui respectent parfaitement votre ton de marque sur des milliers de produits. Une organisation de contenu classique ne peut pas y parvenir.

Des variantes pour tester : les systèmes d'IA génèrent plusieurs versions d'une description en quelques secondes, ce qui permet des tests A/B et des optimisations rapides, sans les lenteurs des circuits de révision classiques.

Avant l'optimisation par IA : des descriptions génériques, rédigées dans l'urgence, peu performantes sur tous les canaux de découverte.

« T-shirt bleu en coton. Disponible en différentes tailles. Coupe confortable. Livraison gratuite dès 50 $ d'achat. »

Après la transformation par IA, avec une vraie stratégie de contenu produit :

« Profitez d'un confort sans effort avec notre t-shirt en coton premium, dans un bleu marine facile à porter. Cet essentiel de la garde-robe associe un coton bio respirant à une conception soignée : une coupe décontractée qui flatte toutes les morphologies, des coutures renforcées qui résistent aux lavages répétés et une matière respirante qui évite la sensation de chaleur, même portée longtemps. Parfait en superposition ou porté seul, ce t-shirt s'intègre facilement à votre garde-robe, avec un jean pour le week-end ou sous une veste pour un look de bureau décontracté. Disponible du XS au XXL, avec un guide des tailles détaillé pour bien choisir. Séchage rapide et teinture résistante à la décoloration : cette pièce essentielle garde son aspect lavage après lavage. En stock, avec livraison express disponible. Découvrez des produits similaires et des idées de looks dans notre collection d'essentiels casual. »

Au-delà du gain de lisibilité immédiat, cette description produit complète répond à de nombreuses variantes de requêtes que les systèmes d'IA peuvent générer : « t-shirt en coton confortable », « vêtement bleu marine polyvalent », « guide des tailles t-shirt », « vêtement résistant aux lavages fréquents », « essentiels de garde-robe casual » et des dizaines d'autres variantes sémantiques. Cette approche à plusieurs dimensions permet d'être cité sur des types de requêtes variés, et pas seulement sur un keyword.

Intégrer les contenus produits à votre stratégie de Generative Engine Optimization (GEO)

Transformer les descriptions produits n'est pas une tâche d'optimisation isolée : c'est le socle de toute stratégie de Generative Engine Optimization. Comprendre ce lien est essentiel pour construire une approche de contenu produit compétitive.

Les principes du GEO appliqués au contenu produit : le Generative Engine Optimization exige des contenus adaptés à la logique des systèmes d'IA, qui privilégient des sources faisant autorité et apportant des réponses complètes, plutôt qu'une information fragmentée à clarifier. Les descriptions produits doivent passer de la liste de caractéristiques à un récit de référence, qui montre une vraie expertise produit.

Installer une autorité sémantique : chaque description produit doit montrer une connaissance solide sur plusieurs dimensions : caractéristiques techniques expliquées par un expert, positionnement dans la catégorie, conseils d'usage selon les situations, et réponses aux préoccupations des clients. C'est cette expertise complète qui amène les systèmes d'IA à reconnaître l'enseigne comme une source de référence et à la citer.

Démultiplier les contenus pour couvrir les requêtes : en GEO, chaque produit clé doit s'appuyer sur des contenus couvrant 15 à 20 types de requêtes : guides produits détaillés, ressources comparatives, guides par cas d'usage, contenus de résolution de problèmes et contenus pédagogiques qui installent l'expertise de la marque sur sa catégorie. Les descriptions produits isolées deviennent ainsi un écosystème de connaissances complet, que les systèmes d'IA reconnaissent comme une référence.

Un impact GEO concret grâce au contenu produit : une enseigne spécialisée en électronique a augmenté de 58 % sa fréquence de citation par l'IA en réécrivant ses descriptions produits sous forme de récits qui construisent son autorité, au lieu de simples listes de caractéristiques. Il ne s'agissait pas d'une optimisation à la marge, mais d'une refonte complète de l'architecture de contenu pour répondre aux besoins des systèmes d'IA.

Des signaux d'autorité dans le contenu produit : les descriptions doivent intégrer des marqueurs de crédibilité : une expertise produit visible dans des conseils précis, des preuves clients via des retours d'expérience et des avis bien mis en avant, des certifications et distinctions de tiers, et des comparatifs détaillés qui situent les produits face à la concurrence.

À retenir : les descriptions produits ne sont pas un contenu secondaire. Elles sont le socle de toute stratégie GEO et conditionnent la visibilité dans l'IA comme la découverte de vos produits par vos clients.

Bonnes pratiques pour des descriptions produits optimisées par l'IA

Les grandes marques du retail qui réussissent la transformation de leurs contenus produits suivent une approche intégrée, qui agit sur plusieurs leviers :

Structurer l'information : fournissez aux systèmes d'IA une information produit complète et clairement organisée : caractéristiques détaillées, avec une explication experte de leur intérêt technique, variantes de produit clairement différenciées, disponibilité et état des stocks exacts en temps réel, prix clairs mis en perspective avec la concurrence, et contenus multimédias riches, dont des visuels qui montrent la valeur du produit.

Garder un ton de marque et une autorité cohérents : les descriptions générées par IA doivent respecter parfaitement vos guidelines de marque : un ton de marque constant qui reflète la personnalité de la marque, des standards éditoriaux qui garantissent une qualité homogène, l'intégration des valeurs de la marque, et un positionnement d'expert qui renforce l'autorité sur le domaine.

Une architecture de contenu multi-intentions : les descriptions produits doivent couvrir toutes les intentions des clients : requêtes informationnelles pour comprendre le produit, comparaison avec les alternatives, cas d'usage selon les contextes, réponses aux préoccupations des clients, et clarté transactionnelle pour décider de l'achat sans attendre.

Une qualité technique qui facilite la lecture par l'IA : les descriptions doivent être structurées pour que l'IA les comprenne au mieux : une hiérarchie claire qui permet de segmenter le contenu, un balisage sémantique qui apporte le contexte des données structurées, un enchaînement logique de l'information adapté au traitement du langage naturel, et une mise en forme lisible aussi bien par l'IA que par vos clients.

Optimiser la performance pour les systèmes d'IA : les descriptions sont publiées sur des pages qui doivent répondre parfaitement aux critères d'évaluation de l'IA : d'excellents Core Web Vitals et des temps de chargement rapides, une optimisation mobile pour des parcours clients majoritairement sur mobile, un balisage de données structurées complet qui facilite la lecture par l'IA, et une architecture de contenu compatible avec des flux de données en temps réel.

Une optimisation dynamique pour tous les canaux de découverte : une description efficace sert plusieurs parcours de découverte en même temps : optimisation des keywords pour la recherche classique, richesse sémantique pour couvrir l'expansion de requête de l'IA, positionnement selon l'intention pour coller au parcours client, et positionnement comparatif pour les phases d'évaluation.

Mesurer les résultats : relier la performance des contenus produits au GEO et au business

Mesurer l'efficacité des descriptions produits demande des indicateurs qui vont bien au-delà du SEO classique. Les grandes marques du retail doivent mesurer trois dimensions liées :

Indicateurs de visibilité et d'autorité dans l'IA :

Suivi de la fréquence de citation : mesure de la présence de vos contenus produits dans les réponses IA, sur l'ensemble des variantes sémantiques de requêtes. Les enseignes qui déploient des descriptions produits complètes constatent en général une hausse de 40 à 70 % de leur fréquence de citation en 6 mois.

Évaluation des signaux d'autorité : analyse de la façon dont les systèmes d'IA reconnaissent et positionnent vos produits comme sources de référence. Concrètement : des citations comme source principale plutôt que comme référence secondaire, des citations en début de réponse IA, et des recommandations qui citent vos produits comme point de comparaison.

Analyse de la couverture des requêtes : identification des variantes sémantiques qui déclenchent une citation de vos produits. Des descriptions complètes apparaissent en général dans les réponses à 40 à 50 variantes de requêtes associées par catégorie de produits, contre 5 à 10 pour des descriptions génériques.

Mesure de l'impact business :

Hausse du taux de conversion : des descriptions produits complètes améliorent la conversion de façon mesurable. Les grandes marques du retail qui déploient des contenus produits optimisés par l'IA constatent une hausse de 25 à 35 % de leur taux de conversion, avec un gain supplémentaire lié à la meilleure qualité des visiteurs issus des citations IA.

Hausse du panier moyen : la découverte via l'IA s'accompagne d'une intention d'achat plus forte. Les enseignes constatent un panier moyen supérieur de 28 à 42 % chez les clients arrivés par une recommandation IA par rapport à la recherche classique, signe d'une intention d'achat déjà qualifiée.

Baisse du taux de retour : des descriptions produits détaillées et exactes limitent les écarts entre les attentes du client et le produit reçu. Un contenu produit complet permet de réduire de 30 à 45 % le taux de retour, car le client comprend précisément le produit avant l'achat.

Temps passé sur la page et engagement : des descriptions produits complètes retiennent l'attention plus longtemps. Les enseignes constatent une hausse de 38 à 52 % du temps moyen passé sur la page et une amélioration de 20 à 30 % du taux d'ajout au panier lorsque les descriptions répondent à l'ensemble des critères de décision du client.

Indicateurs d'efficacité opérationnelle :

Efficacité de la production : les systèmes d'IA réduisent de 85 à 93 % le temps de création par description. La production de contenu cesse d'être une contrainte et devient une capacité stratégique. Les enseignes peuvent désormais produire durablement 15 à 20 descriptions associées par produit clé, au lieu d'une seule description générique.

Vitesse de passage à l'échelle : les enseignes peuvent passer de 500 à 1 000 descriptions produits actives à des catalogues complets de 5 000 à plus de 10 000 contenus de support, qui couvrent les variantes sémantiques et les besoins du GEO. Passer de la rareté à l'abondance change en profondeur le positionnement concurrentiel.

Cohérence de la qualité : des systèmes d'IA centralisés, entraînés sur vos guidelines de marque, éliminent les écarts de qualité. Les grands catalogues produits gardent un ton de marque et une qualité éditoriale homogènes sur toutes les descriptions, au lieu de se dégrader avec le volume.

Positionnement concurrentiel à long terme :

Trajectoire de construction de l'autorité : les enseignes qui suivent leur fréquence de citation constatent en général une hausse de 40 à 70 % en 6 mois, de 80 à 120 % en 12 mois, puis une position d'autorité qui se maintient dans la durée. Cette trajectoire constitue un avantage concurrentiel durable, car les systèmes d'IA reconnaissent et renforcent les sources d'autorité.

Part de marché dans la découverte via l'IA : les premières enseignes à déployer une stratégie de contenu produit complète captent 60 à 75 % de la visibilité dans leurs catégories principales. Cette logique du « premier qui rafle tout » crée un avantage qui se renforce de lui-même, car les systèmes d'IA apprennent d'interactions où les utilisateurs préfèrent les sources de référence.

Résistance aux changements d'algorithme : un contenu produit construit sur de vrais signaux d'autorité et une richesse sémantique résiste bien aux évolutions des systèmes d'IA. Les stratégies fondées sur l'autorité font mieux que les optimisations tactiques quand les mécanismes de découverte changent.

Méthode de mise en œuvre : transformer la production de contenus produits

Les grandes marques du retail qui réussissent la transformation de leurs contenus produits suivent une démarche structurée :

Audit et définition de la stratégie : auditez vos descriptions produits existantes pour identifier les manques, les incohérences et leur niveau de préparation au GEO. Définissez une stratégie de contenu produit complète, qui corrige les limites actuelles et répond aux nouveaux modes de découverte. Fixez des indicateurs de référence sur la conversion, l'autorité et la visibilité dans l'IA pour suivre la performance.

Choix de l'infrastructure technologique : évaluez les plateformes de génération de contenu par IA sur leur capacité à être entraînées sur votre ton de marque, à démultiplier les contenus sur les variantes sémantiques, à optimiser à la fois pour le SEO et le GEO, et à proposer des workflows de relecture fluides. Choisissez des plateformes conçues pour les besoins de l'e-commerce plutôt que des outils de contenu génériques.

Transformation de l'infrastructure de contenu : déployez des systèmes d'IA entraînés sur vos guidelines de marque, vos standards éditoriaux et vos contenus existants. Mettez en place un contrôle qualité automatisé, qui vérifie le respect de la marque et les critères d'optimisation. Créez des workflows de relecture fluides pour passer à l'échelle sans goulet d'étranglement.

Montée en compétences et passage à l'échelle : commencez par les catégories de produits prioritaires pour valider le concept des descriptions générées par IA. Formez vos équipes contenu au développement de contenus sémantiques, aux principes d'optimisation GEO et à l'évaluation des systèmes d'IA. Étendez progressivement à tout le catalogue, à mesure que l'infrastructure mûrit et que la confiance s'installe.

Suivi et optimisation de la performance : suivez la fréquence de citation par l'IA, les indicateurs de conversion et les signaux d'autorité. Testez et optimisez en continu vos descriptions à partir des données de performance. Ajustez les systèmes d'IA et les guidelines de marque à mesure que les mécanismes de découverte évoluent.

Alignement de l'organisation : organisez une coordination transverse entre les équipes marketing, merchandising, produit et tech autour d'une stratégie de contenu produit commune. Alignez les objectifs et les indicateurs de performance sur le GEO et la visibilité dans l'IA, plutôt que sur l'optimisation canal par canal.

Difficultés fréquentes et réponses stratégiques

Difficulté : garder un ton de marque cohérent « at scale »

Une organisation de contenu classique a du mal à garder un ton de marque cohérent sur des milliers de descriptions produits. Des systèmes d'IA entraînés sur vos guidelines de marque, vos contenus existants et vos standards éditoriaux garantissent un ton de marque parfaitement constant. Avec cette infrastructure, la cohérence du ton n'est plus impossible à tenir (rédaction manuelle à grande échelle) : elle est garantie (les systèmes d'IA appliquent votre ton de marque à chaque description).

Difficulté : concilier exactitude des caractéristiques et récit convaincant

Les descriptions génériques listent des caractéristiques, les descriptions convaincantes racontent une histoire. Des systèmes d'IA entraînés sur vos données produits et vos guidelines de récit de marque concilient les deux : les caractéristiques sont exactes, détaillées et optimisées, et mises en contexte pour expliquer leur intérêt et leur usage.

Difficulté : couvrir des catégories de produits variées avec une qualité constante

Chaque catégorie de produits demande une approche de contenu différente. Des systèmes d'IA configurables gèrent des templates, des approches de contenu et des variations de ton propres à chaque catégorie, tout en préservant la cohérence globale de la marque. Une enseigne qui vend à la fois du matériel technique et des produits de grande consommation peut générer des descriptions adaptées sur le plan sémantique pour les deux catégories, sans écart de qualité.

Difficulté : passer rapidement à l'échelle sans perte de qualité

Passer de 500 à plus de 5 000 descriptions actives avec des méthodes classiques dégrade la qualité. Une infrastructure IA avec contrôle qualité automatisé maintient, voire améliore, la qualité pendant le passage à l'échelle. La contrainte habituelle (la qualité baisse quand la vitesse et le volume augmentent) devient un avantage concurrentiel (l'infrastructure fait progresser la qualité au même rythme que le volume).

La priorité stratégique : le contenu produit comme socle concurrentiel

Faire des descriptions produits un socle concurrentiel, et non plus une tâche de contenu isolée, est l'une des initiatives au meilleur ROI pour les grandes marques du retail. Contrairement aux optimisations tactiques au résultat incertain, un contenu produit complet a un impact mesurable sur tous les canaux de découverte, tout en posant l'infrastructure de vos avantages concurrentiels futurs.

Les chiffres sont clairs : les enseignes qui déploient une stratégie complète de contenus produits optimisés par l'IA gagnent 25 à 35 % de taux de conversion, augmentent de 40 à 70 % leur fréquence de citation par l'IA, et installent une position d'autorité durable, de plus en plus difficile à rattraper pour leurs concurrents à mesure que les systèmes d'IA la renforcent.

Les dirigeants du retail doivent l'intégrer : la question n'est pas de savoir s'il faut transformer les descriptions produits. Cette transformation devient le minimum requis pour rester compétitif. La question est de savoir s'ils veulent mener ou suivre, alors que le contenu produit passe du statut de tâche tactique à celui d'actif stratégique, qui détermine les leaders de la découverte via l'IA.

Prérequis immédiats : auditez la performance de vos descriptions produits actuelles : fréquence de citation par l'IA, indicateurs de conversion et position d'autorité. Définissez une stratégie de contenu produit complète, qui couvre les variantes sémantiques et les besoins du GEO. Commencez par les catégories prioritaires pour valider le concept de contenus produits optimisés par l'IA.

Pour les grandes marques du retail prêtes à transformer leur stratégie de contenu produit et à poser les bases d'un GEO complet, le moment d'agir est venu. Les avantages des premiers à construire une infrastructure de contenu produit de référence vont se cumuler dans le temps : un déploiement immédiat est essentiel pour rester leader sur le long terme.

_____________________________________________________________________________

Henri de Bouteiller est CEO et cofondateur de Newtone, la plateforme de contenu IA et de performance déployée par Sandro, Kering, Nissan, SMCP et d'autres grandes marques de la mode, du luxe, de la grande consommation et de l'automobile. Henri a passé 10 ans entre le SaaS et le retail. Auparavant, il a dirigé les ventes de Paack, où il a accompagné de grandes enseignes européennes dans leur livraison transfrontalière, et contribué à faire passer l'entreprise de 10 à 250 salariés. Il a aussi été Chief of Staff chez Bonjour.io et Head of Revenue chez Matcha.

Henri écrit sur le Generative Engine Optimization (GEO), le SEO, l'IA entraînée sur le ton de marque et la localisation de contenus pour le retail. Diplômé de Sciences Po Paris (Bachelor et Master en finance et stratégie), il partage son temps entre Paris et Madrid.

Profil LinkedIn