--- title: "AdsPower - Plateforme SaaS optimisation publicitaire IA" description: "Plateforme SaaS d'optimisation publicitaire par intelligence artificielle" locale: "fr" canonical: "https://portfolio.josedacosta.info/fr/realisations/adspower-plateforme-optimisation-ia" source: "https://portfolio.josedacosta.info/fr/realisations/adspower-plateforme-optimisation-ia.md" html_source: "https://portfolio.josedacosta.info/fr/realisations/adspower-plateforme-optimisation-ia" author: "José DA COSTA" date: "2016" type: "achievement" slug: "adspower-plateforme-optimisation-ia" tags: ["Symfony 3.2", "Angular 4/10", "TypeScript", "Azure ML Studio", "NLTK", "Google AdWords API", "Bing Ads API", "Facebook Ads SDK", "MySQL", "GitLab CI", "Vagrant", "Electron"] generated_at: "2026-04-23T15:44:11.441Z" --- # AdsPower - Plateforme SaaS optimisation publicitaire IA Plateforme SaaS d'optimisation publicitaire par intelligence artificielle **Date:** Janvier 2016 - Decembre 2018 **Duration:** 3 ans **Role:** Chef de projet technique & Cofondateur **Technologies:** Symfony 3.2, Angular 4/10, TypeScript, Azure ML Studio, NLTK, Google AdWords API, Bing Ads API, Facebook Ads SDK, MySQL, GitLab CI, Vagrant, Electron ## Présentation du projet **Content:** AdsPower était une **startup early-stage** développant une plateforme SaaS d'optimisation des campagnes publicitaires par **intelligence artificielle**. Le produit utilisait des **modèles de classification ML** (Azure Machine Learning Studio) pour classifier les comportements utilisateurs, analyser l'intention de recherche via les SERP Google, et **optimiser automatiquement les enchères** en fonction du taux de transformation. Le concept central : ingérer des milliers de points de données de campagnes - mots-clés, enchères, quality scores, taux de clic, données de conversion - les injecter dans des **modèles de classification supervisés**, et produire des **recommandations d'optimisation actionnables**. La plateforme entraînait des modèles pour prédire les prix d'enchères optimaux, identifier les clusters de mots-clés performants, détecter les mots-clés négatifs qui drainaient les budgets, et recommander des améliorations d'annonces basées sur les patterns de performance historiques. Le projet était directement inspiré d'**Optmyzr** et de **Dolead** (plateforme française de performance marketing), tous deux analysés en profondeur durant notre recherche concurrentielle. ## Objectifs & contexte **Content:** Objectif business : permettre aux annonceurs Google AdWords d'automatiser leurs campagnes grâce à l'IA, en détectant les mots-clés non performants et en ajustant les enchères en temps réel. Contexte : le marché était dominé par Optmyzr (US) et Dolead (FR). Nous visions une approche plus ML-first avec scraping SERP et classification d'intention. Enjeux : concurrencer des plateformes établies, construire une équipe produit/R&D, gérer la dépendance aux APIs Google/Bing/Facebook. Risques : quotas API, breaking changes, concurrence, modèles de classification imprécis. ## Approche ML & pipeline technique **Content:** Pipeline ML en trois étapes : (1) Data Collection via les APIs Google AdWords, Bing Ads, et un SERP Scraper maison construit avec Goutte et CasperJS pour récupérer les résultats de recherche structurés. (2) NLP Processing avec NLTK pour la tokenisation, le stemming, la suppression des stop words, puis vectorisation TF-IDF. (3) ML Models sur Azure ML Studio : classification supervisée par Gradient Boosting pour prédire la pertinence, clustering non supervisé par k-means pour identifier les segments de mots-clés, et Google Prediction API pour la segmentation d'audience. Architecture : Backend Symfony 3.2 avec 4 bundles (Core, Api, Admin, QueryBuilder), frontend Angular 4 puis Angular 10 avec Highcharts et Syncfusion. Infrastructure : Vagrant Ubuntu 16.10, MySQL utf8mb4, Memcached, GitLab CI/CD, Electron desktop + Cordova mobile. ## Équipe & organisation **Content:** Équipe Scrum de 5 personnes : 1 CEO/fondateur, 1 CTO/cofondateur technique (mon rôle : chef de projet technique et cofondateur), 2 développeurs freelance backend/frontend, 1 designer UX. Organisation : sprints de 2 semaines avec Sprint Planning (Trello), développement, code review (GitLab MR), déploiement automatique staging (GitLab CI), Sprint Review (demo produit), Retrospective. 18+ dépôts de code dans 3 versions majeures. 40+ pages de maquettes. Coordination quotidienne et gestion externe de freelances. Interactions commerciales avec les premiers beta-testeurs, feedback produit hebdomadaire. ## Résultats & réalisations **Content:** Plateforme SaaS fonctionnelle en production avec campagnes gérées automatiquement. Preuves de concept validées pour la classification d'intentions de recherche et la détection de mots-clés négatifs. Applications multi-plateformes : web SPA Angular, desktop Electron (Mac/Windows/Linux), mobile Cordova (iOS/Android). Pipeline ML opérationnel avec Azure ML Studio. Intégration avec Google AdWords, Bing Ads, Facebook Ads APIs. Sur le plan personnel : première expérience de cofondation d'une startup tech, de gestion d'équipe technique, et de R&D en machine learning appliqué au marketing digital. Validation de mes compétences de Technical Project Manager. ## Issue du projet **Content:** Le projet s'est achevé fin 2018 après 3 ans d'activité. La startup n'a pas trouvé son product-market fit au niveau requis pour lever des fonds significatifs. Apprentissages capitalisés : les contraintes réglementaires strictes des APIs Google/Facebook, la compétition féroce sur le marché US, et la difficulté de différencier un produit technique face à des acteurs établis. Ces leçons ont nourri mes projets ultérieurs (Groupe Pichet, puis ACCENSEO). ## Retour critique **Content:** Forces : une architecture technique moderne pour l'époque, une équipe motivée, une approche ML-first différenciée par rapport aux concurrents purement heuristiques. Faiblesses : surinvestissement technique avant validation du product-market fit, dépendance excessive aux APIs tierces (quotas Google changeants), et manque de puissance commerciale pour affronter Optmyzr et Dolead. Leçons : valider le marché avant de sur-construire. Une startup tech ne survit pas sans traction commerciale, même avec d'excellents modèles ML. Privilégier les POC rapides plutôt que des plateformes complètes avant d'avoir les premiers clients payants. Ce projet a été une école de lucidité entrepreneuriale qui m'a servi dans ACCENSEO plus tard.