Agrégation & analyse de données
La discipline qui transforme des données éparses en décision. Le travail principal n'est pas technique, il est définitionnel.
De quoi il s'agit
Une entreprise produit beaucoup de données et n'en exploite presque rien. Elles sont réparties dans plusieurs systèmes, exprimées différemment, et personne n'a le temps de les rassembler.
Notre rôle n'est pas de produire un tableau de bord supplémentaire. C'est de rendre les données comparables, puis exploitables.
Le premier travail n'est pas technique
Tant que « chiffre d'affaires » n'a pas une définition unique et écrite — hors taxe ou toutes taxes, à la commande ou à la facturation, avec ou sans les avoirs — aucun outil ne fera concorder deux services.
Cette formalisation s'appelle un modèle sémantique. Elle ne demande aucune technologie, elle prend quelques réunions, et elle produit de la valeur immédiatement — même si vous n'automatisez rien ensuite.
C'est souvent le bénéfice le plus utile du projet.
Ce que la couche technique apporte ensuite
La collecte dans chaque système, par API ou par fichiers.
La réconciliation, avec signalement quand deux sources divergent — plutôt qu'un arbitrage arbitraire qui masquerait le problème.
La détection d'anomalies, fondée sur l'apprentissage de la normalité propre à votre activité, avec sa saisonnalité, et non sur des seuils fixes.
La prévision, toujours accompagnée de son intervalle de confiance. Une prévision sans fourchette est inutilisable pour décider.
Ce que ça donne concrètement. Des écarts de prix entre commandes et factures d'un même fournisseur. La dérive d'un poste de charge d'un mois sur l'autre. Des anomalies dans une série d'écritures comptables. La prévision d'une charge de travail à partir de l'historique. Un doublon de facturation repéré avant paiement.
La règle de conception qui compte
Le modèle de langage permet d'interroger l'ensemble en français et de produire des synthèses. Il ne calcule jamais un chiffre — il va le chercher.
Cette distinction est fondamentale. Un système où le modèle produit lui-même les valeurs est un système invérifiable. Ici, chaque chiffre est traçable jusqu'à sa ligne d'origine. Si une valeur est fausse, on sait exactement où la corriger.
Quand la vision s'ajoute
Quand elle est disponible, la mesure issue des agents de vision — comptages, temps de présence — alimente la même lecture unifiée de l'activité.
SOURCES MODÈLE SÉMANTIQUE EXPLOITATION
caisse ─┐ définitions écrites ┌─ tableaux
compta ─┤ source de vérité / KPI ├─ détection
CRM ────┼→ connecteurs → réconciliation ────────→┤ d'anomalies
stock ──┤ (API · fichiers) ↓ ├─ prévision
vision ─┘ signalement des divergences └─ interrogation
(RAG, en français)Sous le capot
Le modèle sémantique précède toute technique. Chaque indicateur reçoit une définition écrite — hors taxe ou toutes taxes, à la commande ou à la facturation, avec ou sans avoirs — et une source de vérité unique. Sans cela, l'agrégation produit un chiffre faux à partir de données individuellement justes.
La réconciliation signale, elle ne tranche pas. Quand deux systèmes divergent, le système remonte l'écart au lieu de choisir arbitrairement. C'est souvent le premier bénéfice constaté : révéler des divergences que personne ne voyait.
La détection d'anomalies apprend la saisonnalité. Un seuil fixe est inutilisable dès qu'une activité a un rythme. Le modèle compare à ce qui est attendu à ce moment précis, en tenant compte du jour, de l'heure et de la période — Ramadan inclus, qui se décale d'environ onze jours chaque année dans le calendrier grégorien.
La prévision est toujours un intervalle. Une valeur unique donne une fausse assurance et ne permet aucun arbitrage. La borne haute et la borne basse servent à décider selon le coût de l'erreur dans chaque sens.
Le modèle de langage interroge, il ne calcule pas. Il traduit une question en requête, récupère la valeur, et la restitue avec sa source. Chaque chiffre affiché est traçable jusqu'à sa ligne d'origine dans le système source.
Cette discipline fait partie de nos familles d'agents IA ; pour aller plus loin, voyez le chapitre Analyse avancée du Guide et nos expertises d'ingénierie.
Parlons de votre projet.
Trente minutes, gratuit et sans engagement.
Sous le capot — de la donnée à la décision
La plupart des entreprises sont riches en données et pauvres en intelligence : des heures de vidéo jamais regardées, des journaux jamais analysés, des indicateurs produits trop tard pour agir. Notre rôle n'est pas de produire un tableau de bord de plus, mais de transformer l'historique en anticipation. La donnée ne crée aucune valeur tant qu'elle ne change pas une décision.
Notre approche technique
Le premier travail n'est pas technique, il est définitionnel. Tant que "client actif" n'a pas une définition unique et écrite, aucun outil ne fera concorder deux services. Cette formalisation est souvent le bénéfice le plus immédiat du projet, indépendamment de tout modèle.
La détection d'anomalies repose sur l'apprentissage de la normalité propre à votre activité, pas sur des seuils fixes. Un seuil fixe produit des alertes le samedi dans un commerce dont l'affluence du samedi est simplement plus élevée. Le modèle apprend la saisonnalité — l'heure, le jour, le mois — et signale l'écart par rapport à ce qui est attendu à ce moment précis.
La prévision repose sur des séries temporelles enrichies de variables explicatives : calendrier, saisonnalité, événements locaux. Une prévision sans intervalle de confiance est inutilisable pour décider — nous fournissons toujours la fourchette, pas seulement le point.
La convergence avec la vision distingue notre approche. Les comptages issus des caméras entrent dans la même lecture que les données de gestion. Croiser l'affluence réelle mesurée à l'entrée avec le chiffre d'affaires encaisse donne un taux de transformation que ni le comptage seul ni la caisse seule ne peuvent produire.