Système Mads.
Refonte complète du modèle de pricing B2C en 2019. Toujours en vigueur 7 ans plus tard.
Situation
Avant 2019, le modèle B2C en bars reposait sur un système de commission plafonnée variable selon le lieu (par exemple 20% jusqu'à 60€ par tournée, zéro au-delà). Deux problèmes : côté ops, je passais une journée entière par mois à recalculer les commissions et émettre une facture par praticien·ne, avec des erreurs récurrentes ; côté praticien·ne·s, le tarif était imprévisible et opaque.
Task
Concevoir un nouveau modèle économique qui résolve la friction opérationnelle interne et améliore la transparence côté praticien·ne·s, sans dégrader le revenu.
Action
En 2019, j'ai conçu un système de crédits prépayés appelés Mads. Le principe : la praticien·ne achète un pack à l'avance (par exemple 50 Mads à 129,90€), et chaque inscription à une tournée débite un nombre de Mads variable selon le coût d'opération de la ville. J'ai défini la grille tarifaire par ville, fait coder la mécanique dans la plateforme, et accompagné la transition auprès de la communauté. C'est aussi à ce moment-là que j'ai démarré mon parcours no-code : pour automatiser les paiements PayPal et la facturation autour des Mads, j'ai appris à connecter mes outils, et de fil en aiguille j'ai automatisé une grande partie de mes process internes.
Résultat
de la facturation automatisée : 1 journée de calcul manuel libérée chaque mois, zéro erreur
de CA en 2024 généré par cette mécanique
de stabilité sans modification structurelle
des praticien·ne·s les plus actif·ve·s consomment 50 à 70% des Mads, indicateur d'engagement net
Encaissement à l'avance : cash dans la boîte avant que la prestation soit consommée, impact direct sur la trésorerie.
Learning
Le déclencheur de mon parcours no-code. Côté produit, j'ai appris qu'un changement de modèle économique réussit quand il résout à la fois une friction ops invisible et une friction utilisateur visible. Et qu'un bon système se mesure à sa stabilité dans le temps : 7 ans sans refonte, c'est mon meilleur indicateur de robustesse.