Accueil/Intelligence marches publics/Produit
marches-publicsmoyenne6 semaines pour le MVP

Score de probabilité de victoire base sur l'historique des attributions

Score de probabilité de victoire pour chaque appel d'offres, basé sur l'historique des attributions et le profil de l'entreprise.

Score de viabilité58/100
Demande
52
2.5K recherches/mois cumulees ('gagner appel offre' 1 300/mois, 'taux réussite marché public' 480/mois). TAM: 233 Mds EUR. Cibles: PME du BTP, ESN de taille moyenne, Cabinets de conseil en.
Faisabilité
63
MVP en 6 semaines. 4 APIs a integrer (DECP, API Sirene, API BOAMP). Stack: Next.js + PostgreSQL. Scope MVP ambitieux.
Marché
60
152 clients a 39 EUR pour demarrer. Objectif 10K MRR en 10-12 mois. SOM: 122K EUR/an. Pricing 0-399 EUR.
Concurrence
55
4 concurrents identifies: Tengo, Doubletrade (scoring 2025), Specgen. Leader: Tengo (10K visites/mois). Faiblesse principale: Startup récente.
Juridique
55
1 point OK, 2 points d'attention. Vigilance: Responsabilité en cas de mauvaise prédiction, Transparence algorithmique.
Problème
Une PME passe 40 heures a préparer une réponse a un marché public, pour un taux de victoire de 15-20%. Sur 10 réponses, 8 sont des pertes seches. L'entreprise ne sait pas si le marché est domine par un acteur, si le prix moyen est compatible avec ses coûts, ou si l'acheteur favorise les locaux.
Solution
Un score 0-100 attribué a chaque appel d'offres en fonction du profil de l'entreprise. L'algorithme analyse les DECP pour déterminer: concentration du marché (HHI), probabilité de victoire selon la taille, prix moyen d'attribution, préférence locale de l'acheteur, nombre de candidats habituels. L'entreprise ne répond qu'aux marchés score > 50, economisant 200+ heures/an.
Avantage unique
Passage de la veille passive a la stratégie active. Aucun outil ne fournit de probabilité de victoire personnalisee. Comme un credit scoring mais pour les appels d'offres.

Avant de coder

Validation terrain

Le score retro-actif est pertinent
Comment : Calculer le score pour 200 marchés passés connus. Vérifier si gagnés ont score plus élève que perdus.
Critère de succès : Marchés gagnés ont score moyen 20+ points superieur aux perdus
Les entreprises changeraient leur stratégie avec un score
Comment : Montrer le score a 15 entreprises sur leurs marchés passés
Critère de succès : 10/15 auraient évité au moins 1 marché perdu (économie 40h+)
Les DECP suffisent pour un modèle prédictif
Comment : Vérifier le volume avec attributaire, montant, CPV, localité sur 3 ans
Critère de succès : 100K+ marchés avec les 4 champs, suffisant pour un modèle robuste

Qui contacter

Premiers clients

PME du BTP (10-100 salariés) répondant a 20+ marchés/an
Où : FFB, FNTP, LinkedIn BTP, Batimat
Approche : Ces PME perdent des centaines d'heures. Essai gratuit sur 10 prochains marchés.
ESN de taille moyenne (50-500 salariés) sur marchés IT publics
Où : Syntec, LinkedIn, FIC
Approche : Outil d'aide a la décision go/no-go pour les responsables avant-vente.
Cabinets de conseil en réponse aux marchés publics
Où : LinkedIn, CCPA, conferences marchés publics
Approche : Le score enrichit leur prestation. Plan white-label.

MVP

MVP , Scope du premier produit

Score pour marchés de travaux (CPV 45) et services IT (CPV 72). 3 critères: concentration HHI, prix moyen d'attribution, localité acheteur. L'utilisateur entre son SIRET et CA pour la personnalisation.

Roadmap

Jalons d'exécution

1
Phase 13 semaines

Modèle statistique sur DECP

Entrainer un modèle (gradient boosting) sur 3 ans de DECP. Features: concentration HHI, taille relative, distance géographique, prix relatif, historique acheteur.

  • Modèle entraîné sur 100K+ marchés
  • Validation croisee
  • Features engineering
  • Taux de précision mesure
2
Phase 23 semaines

Interface scoring

Interface: l'utilisateur entre son SIRET, voit ses marchés potentiels avec score et détail des facteurs. Intégration avec alertes.

  • Interface scoring
  • Détail des facteurs
  • Intégration alertes
  • Export rapport go/no-go
3
Phase 36 semaines

Beta et calibration

Beta auprès de 50 entreprises. Mesure du taux de précision réel. Calibration du modèle.

  • 50 beta testeurs
  • Taux de précision réel mesure
  • Modèle calibre
  • 100 abonnes
4
Phase 48 semaines

Extension et bundle

Etendre a tous secteurs CPV. Recommandation de prix optimal. Bundle avec alertes + analyse + prédiction.

  • Tous secteurs CPV
  • Prix optimal
  • Bundle complet
  • 10K MRR

Monétisation

Chemin vers 10K MRR

Stratégie de prix
Plan Solo a 39 EUR/mois (score sur son secteur, 1 région). Plan PME a 89 EUR/mois (multi-secteurs, national, prix recommande). Plan Pro a 199 EUR/mois (score personnalise, API, historique). Plan Cabinet a 399 EUR/mois (multi-clients, white-label). ROI immédiat: 1 réponse evitee/mois = 40h x 50 EUR = 2 000 EUR economises.
Chemin vers 10K MRR
100 Solo x 39 EUR = 3 900 EUR + 40 PME x 89 EUR = 3 560 EUR + 10 Pro x 199 EUR = 1 990 EUR + 2 Cabinets x 399 EUR = 798 EUR = 10 248 EUR MRR. 152 abonnes sur 150K entreprises = 0.1%. Timeline: 10-12 mois.

Validation marché

Demande (volume de recherche)

Mot-cléVolume/mois
gagner appel offre1300
taux réussite marché public480
go no go marché public390
scoring appel offre IA210
probabilité victoire marché public170

Taille de marché

TAM (marché total)
233 Mds EUR commande publique 2024. 150 000 entreprises repondantes. Marché outils d'aide a la décision go/no-go: estimé a 150M EUR/an.
SAM (marché adressable)
50 000 PME répondant a 5+ marchés/an (besoin de priorisation). SAM = 50 000 x 70 EUR/mois = 42M EUR/an.
SOM (objectif 18 mois)
Objectif an 1: 152 abonnes x 67 EUR ARPU = 122K EUR ARR. Penetration: 0.3% du SAM.

TAM basé sur commande publique 2024. SAM estimé a 1/3 des entreprises repondantes ayant un volume suffisant pour justifier un outil de scoring. SOM basé sur mix tarifaire.

Analyse concurrentielle

10K visites/mois
Prix : Non communique. Startup IA marchés publics.
Avis : Promet d'identifier, analyser et répondre via IA. Scoring Go/No-Go en développement.
Forces : Approche IA native, scoring automatise, UX moderne.
Faiblesses : Startup récente, pas de track record, couverture et précision a prouver.
Doubletrade (scoring 2025)https://www.doubletrade.com
100K visites/mois
Prix : 150-400 EUR/mois. Scoring IA annonce pour 2025.
Avis : 30 ans, 10K clients. Scoring innovant annonce pour 2025.
Forces : Base massive de 400K marchés/an, crédibilité, scoring IA en cours.
Faiblesses : Scoring basique (pas de probabilité personnalisee), prix élève, pas encore lance.
5K visites/mois
Prix : Non communique. IA souveraine pour appels d'offres.
Avis : IA 100% confidentielle et souveraine pour réponses aux appels d'offres. Score qualité de dossier.
Forces : Souverainété données (100% confidentiel), analyse qualité dossier, score d'amélioration.
Faiblesses : Score qualité dossier (pas probabilité victoire marché), startup récente, marché a eduquer.
GovWin (Deltek) - référence UShttps://iq.govwin.com
500K visites/mois (US)
Prix : 1000+ USD/mois. Win probability scoring.
Avis : Référence mondiale du win probability sur marchés fédéraux US.
Forces : Modèle prédictif avancé, 20+ ans de data, référence du marché US.
Faiblesses : US uniquement, prix inaccessible PME, modèle non transposable directement.

Coût d'acquisition (CAC)

CanalCAC estimé
SEO (gagner appel offre, go no go marché public)20-40 EUR
Essai gratuit (10 marchés scores gratuitement)10-25 EUR
LinkedIn Ads (responsables avant-vente ESN)100-160 EUR
Partenariats cabinets conseil (white-label)20-50 EUR

Contraintes juridiques

okUtilisation des données d'attribution pour le scoring

Les DECP (attributaire, montant, CPV, localité) sont des données ouvertes. L'entrainement d'un modèle ML dessus est légal.

Source : Licence Etalab 2.0

attentionResponsabilité en cas de mauvaise prédiction

Le score est un indicateur statistique, pas une garantie. CGV doivent exclure toute responsabilité sur les décisions prises sur la base du score.

Source : Code civil Art. 1231-1, CGV

attentionTransparence algorithmique

Si le scoring influence des décisions économiques, l'utilisateur doit pouvoir comprendre les facteurs. Obligation d'explicabilité du score.

Source : Reglement IA (AI Act) Art. 13, RGPD Art. 22

Tech

Stack recommandé

Frontend
Next.js 14 + Tailwind CSS + Recharts
Backend
Next.js API Routes + Python (scikit-learn, pandas)
Base de données
PostgreSQL sur Supabase
Hébergement
Vercel + Supabase + GitHub Actions
APIs à intégrer
DECP data.gouv.frAPI Sirene (profil entreprise)API BOAMPStripe

Modèle = gradient boosting entraîné sur DECP. Features: HHI, taille relative, distance, prix relatif, historique acheteur. Score recalcule a chaque nouveau marché. Re-entrainement mensuel.

Risques

Risques et mitigations

Le modèle n'est pas assez précis (faux positifs/negatifs)
Commencer simple (3 features) et valider empiriquement. Afficher comme indicateur, pas prédiction certaine. Mesurer et communiquer la précision.
Les entreprises sont retives a un score automatique pour décision stratégique
Aide a la décision, pas remplacement du jugement. Fournir le détail des facteurs.
Les DECP ne capturent pas tous les facteurs (qualité offre, relation acheteur)
Le score capture les facteurs structurels. Déjà precieux pour filtrer les marchés ou le structurel est defavorable.

Inspirations

Produits similaires

GovWin (Deltek) win probability scoring marchés fédéraux US. LinkedIn Recruiter score de probabilité de réponse. Credit scoring (meme principe: features + historique = probabilité).

Données

Sources de données disponibles

DECP — Fichiers consolidés27K/an visites
DECP format tabulaire (Colmo)6.3K/an visites
API Recherche d'EntreprisesAPI

Transparence

Niveau de confiance des données

Chaque section est évaluée selon sa source : vérifié (source publique vérifiable), estimé (calcul sur données publiques), opiné (benchmark ou avis expert).

datasetsvérifié

IDs et metriques proviennent directement de l'API data.gouv.fr. Liens cliquables vers chaque dataset.

metricsvérifié

Visites et telechargements mesures par l'API get_metrics de data.gouv.fr.

competitorsestimé

Pricing et trafic recherches sur les sites concurrents. Les prix peuvent avoir change depuis la recherche (mars 2026).

Volume rechercheestimé

Volumes estimes sans outil SEO professionnel (Semrush/Ahrefs). Ordres de grandeur, pas des chiffres exacts.

TAM/SAM/SOMestimé

Calculs bases sur des statistiques publiques (INSEE, ANAH, etc.). Méthodologie transparente mais hypothèses discutables.

legalestimé

Recherche sur les textes publics et licences. Non vérifié par un avocat.

CACopine

Fourchettes basees sur des benchmarks SaaS generiques. Aucune donnée terrain. A valider avec des tests réels.

overallestimé

Concept basé sur des datasets publics verifies via data.gouv.fr. Hypotheses de marché (taille, willingness-to-pay, CAC) à valider avec des tests terrain.