# Analyse de données agentique: des signaux qui deviennent décisions. L'analyse de données agentique ne produit pas des graphiques à archiver: elle cherche des signaux dans les données déjà disponibles, les relie à une décision et indique où le modèle ne vaut pas l'investissement. ## Qu'est-ce que l'analyse de données agentique C'est une méthode de conseil qui utilise modèles analytiques, automatisation contrôlée et jugement managérial pour découvrir si les données déjà présentes contiennent un signal utile. Chaque résultat est comparé à une référence minimale et accompagné de limites explicites. ## Le tableau de bord regarde en arrière. Le signal décide maintenant. 1. Données disponibles 2. Question métier 3. Signal vérifié 4. Décision possible 5. Valeur mesurable ou estimable 6. Nouvelle collecte ciblée ## Des livrables faits pour décider ### Executive Summary Résultat principal, décision recommandée, valeur en jeu, limites et actions à 30, 90 ou 180 jours. ### Rapport technique Données utilisées, contrôles, méthodes, métriques, reproductibilité et preuve que le modèle dépasse une référence minimale. ### Plan d'action Pilote à faible risque, responsabilités, calendrier, mesures à observer et critères pour étendre, modifier ou arrêter. ### Plan de collecte Quelles données collecter ensuite, pourquoi, avec quelle priorité et quelle décision elles renforceraient. ## Les formes de valeur ### Valeur récupérée Clients, commandes, lots ou réservations sauvables avant la perte de valeur. ### Coût évité Projets prédictifs à ne pas financer lorsque les données ne contiennent pas le signal nécessaire. ### Efficacité organisationnelle Ressources réallouées aux créneaux, produits, contrôles ou processus vraiment importants. ### Promesse client Livraisons, disponibilités, délais et communications plus crédibles grâce à de meilleures estimations. ### Gouvernance des données Collecte moins générique et plus liée à des décisions concrètes. ## Quand le signal n'est pas seulement dans les données Beaucoup d'opportunités IA naissent au croisement des données, documents, processus et décisions opérationnelles. Pour parcourir des applications possibles, exemples et signaux de besoin: [Atlas des applications IA pour les entreprises](atlas-applications-ia-entreprises.html). Pour choisir entre analyse de données, conseil, formation ou logiciel technique: https://ar-tik.com/fr/questions-frequentes-ia-entreprises.md ## Première question: quelle décision doit s'améliorer? - Décision récurrente: commander, planifier, contacter, contrôler. - Coût visible ou suspecté: gaspillage, retards, retours, pannes, pénalités. - Données disponibles: transactions, capteurs, commandes, tickets, référentiels. - Action possible: appel, contrôle, modification de processus, priorité différente. ## Exemples anonymisés de signaux et décisions Chaque histoire explique le problème métier, quelles données opérationnelles entrent dans l’analyse, quel signal émerge et quelle décision peut être soutenue. Ce ne sont pas des promesses standard; elles montrent comment des datasets publics, anonymisés ou réalistes, sans projets client reconnaissables, peuvent devenir des actions vérifiables. ### 1. Hôtellerie: Comprendre quelles réservations risquent d’être annulées Un hôtel peut lire le risque dès la réservation: sur plus de 119 000 réservations, le système intercepte plus de huit annulations sur dix. L’histoire est simple: la direction voit souvent les annulations quand la perte est déjà là. L’analyse agentique regarde plus tôt, avec les signaux disponibles avant le séjour: délai de réservation, paiement et historique client. Pour un hôtel, une résidence ou un groupe hospitality, les données du moteur de réservation deviennent une liste de priorités commerciales. Les réservations fragiles peuvent être confirmées, contactées ou gérées avec des conditions différentes. - Signal utile: Le système sépare les réservations solides de celles qui méritent une action préventive. - Décision possible: Confirmer, contacter ou protéger d’abord les réservations les plus exposées. - Données utiles ensuite: Résultat du contact, valeur récupérée et réponse client. - Limite à déclarer: L’analyse ne supprime pas les annulations; elle aide à choisir où agir à temps. ### 2. Food delivery: Découvrir où commence vraiment une commande perdue Quand la cuisine ne confirme pas la commande prête, le risque de la perdre monte à 35,7%. Au départ, le problème semble être la livraison finale: une commande n’arrive pas, le client réclame, le restaurant perd de la confiance. L’analyse montre que le signal apparaît plus tôt, dans le flux de cuisine. Pour une plateforme de livraison ou une chaîne de restaurants, la question change: non pas “quel livreur est en retard?”, mais “quelle commande sort du processus avant de pouvoir être livrée?”. - Signal utile: Une confirmation intermédiaire manquante devient un avertissement opérationnel. - Décision possible: Déclencher immédiatement une relance, une réaffectation ou une communication client. - Données utiles ensuite: Cause enregistrée, récupération de la commande et coût du dysfonctionnement. - Limite à déclarer: Le modèle fonctionne quand les états intermédiaires sont bien enregistrés. ### 3. Dernier kilomètre: Donner au client une fenêtre de livraison plus crédible L’erreur moyenne de temps de livraison passe d’environ 41 minutes à environ 17 minutes. En logistique urbaine, l’enjeu n’est pas seulement de livrer plus vite. Il faut promettre une heure réaliste pour que le client attende moins, que le support reçoive moins d’appels et que la flotte soit mieux coordonnée. L’analyse part des commandes et des historiques de délais, mais ne s’arrête pas à la moyenne. Elle trouve les conditions récurrentes qui ralentissent ou accélèrent une livraison et les transforme en prévision utile. - Signal utile: Une fenêtre d’arrivée plus fiable pour chaque livraison. - Décision possible: Mettre à jour messages client, priorités opérationnelles et planification de flotte. - Données utiles ensuite: Réclamations, appels évités et interventions manuelles des opérations. - Limite à déclarer: Cela ne promet pas des livraisons plus rapides; cela promet des estimations plus crédibles. ### 4. Énergie: Mieux prévoir la demande du lendemain La prévision réduit l’erreur de 77% face à la règle de référence. Un opérateur énergétique ou un grand consommateur doit décider en avance combien acheter, couvrir ou réserver. Une prévision trop prudente immobilise des ressources; trop basse, elle expose à des coûts de correction. L’analyse lit l’historique des consommations horaires et construit un profil attendu pour le lendemain. Le résultat n’est pas un graphique à archiver, mais un support de planification énergétique. - Signal utile: Un profil horaire attendu plus fiable que la règle de comparaison. - Décision possible: Acheter, se couvrir ou planifier la capacité avec moins de marge défensive. - Données utiles ensuite: Prix, coûts de déséquilibre et règles d’approvisionnement. - Limite à déclarer: L’économie doit être calculée avec les vrais chiffres du contrat. ### 5. Restauration: Se préparer à la semaine qui arrive La prévision des recettes s’améliore de 24% face à la règle “comme la semaine dernière”. Un restaurant décide chaque semaine combien acheter et combien de personnes planifier. À l’intuition seule, les jours faibles créent du gaspillage et les jours forts de la pression de service. L’analyse part de l’historique des recettes et reconnaît le vrai rythme du lieu. La prévision devient un outil pratique pour cuisine, salle et achats avant l’arrivée de la demande. - Signal utile: Une estimation des recettes futures plus solide que la règle empirique. - Décision possible: Utiliser la prévision avec les décisions d’achats, préparation et planning. - Données utiles ensuite: Gaspillage réel, ventes perdues et coût du personnel. - Limite à déclarer: La valeur apparaît seulement si la prévision change les décisions opérationnelles. ### 6. Retail alimentaire: Sauver les lots périssables avant qu’ils deviennent gaspillage Les lots les plus risqués gaspillent presque trois fois plus que les plus sûrs. Dans un supermarché ou une chaîne alimentaire, le gaspillage n’apparaît pas d’un coup. Il commence par de petits signaux: emballage, manutention, froid, délai d’arrivée et priorité de vente. L’analyse lit ces signaux quand le lot entre dans le processus et crée un classement de risque. L’objectif n’est pas de prévoir toute perte, mais de décider quels lots contrôler, tourner ou démarquer plus tôt. - Signal utile: Une liste de lots à surveiller avant la détérioration visible. - Décision possible: Concentrer contrôles, rotations et démarques préventives sur les lots exposés. - Données utiles ensuite: Valeur sauvée, raison du gaspillage et marge après intervention. - Limite à déclarer: Tout le gaspillage n’est pas prévisible; l’objectif est de mieux utiliser les actions préventives. ### 7. Banque: Reconnaître les clients qui s’apprêtent à partir Le système reconnaît environ trois clients à risque sur quatre. Une banque peut voir un client partir quand le compte est déjà perdu, ou lire plus tôt les signes de refroidissement de la relation. L’analyse sépare le risque générique du levier commercial actionnable. L’histoire utile n’est pas “ce client partira”, mais “ce client montre de l’inactivité et peut être réactivé avec une action ciblée”. Cette différence compte pour créer des campagnes crédibles. - Signal utile: Une priorité de contact fondée sur comportement et risque d’attrition. - Décision possible: Lancer des campagnes ciblées de réactivation, pas le même message pour tous. - Données utiles ensuite: Historique comportemental, contacts réalisés et valeur retenue. - Limite à déclarer: Reconnaître un risque aujourd’hui ne signifie pas toujours le prévoir très longtemps à l’avance. ### 8. Restauration rapide: Voir quels menus et créneaux portent vraiment le business Quelques moments de la journée et quelques items génèrent presque trois quarts du chiffre d’affaires. Dans une chaîne de restauration rapide, l’enjeu n’est pas seulement de vendre plus. Il faut comprendre où naît vraiment le chiffre: quels créneaux exigent du personnel, quels produits méritent du stock, quels items occupent de l’espace sans rendre. L’analyse descriptive devient une histoire opérationnelle: le menu n’a pas partout le même poids et la journée non plus. Elle aide à décider plannings, stocks et promotions avec moins d’impression et plus de preuve. - Signal utile: Une carte des produits et moments qui soutiennent l’économie. - Décision possible: Réaligner personnel, achats, promotions et revue du menu. - Données utiles ensuite: Marge par item, temps de préparation et ruptures de stock. - Limite à déclarer: Ce n’est pas une prévision; c’est une priorité opérationnelle à compléter par les marges. ### 9. Domaine viticole: Protéger tôt les lots de vin les plus prometteurs Avec les données de laboratoire, le système reconnaît 87% des lots haut de gamme. Un domaine collecte déjà des mesures chimiques pendant la production. Souvent, ces données restent techniques, séparées des choix commerciaux et de destination du lot. L’analyse montre que ces signaux peuvent aider à repérer tôt les lots à potentiel premium. Elle ne remplace pas le jugement œnologique; elle aide à protéger la valeur avant que coupes ou assemblages la dispersent. - Signal utile: Une classification précoce des lots qui méritent plus d’attention. - Décision possible: Prioriser dégustations, élevage et destination commerciale des lots prometteurs. - Données utiles ensuite: Destination finale, valeur réalisée et jugement qualitatif. - Limite à déclarer: Le modèle soutient le jugement technique; il ne le remplace pas. ### 10. Maintenance industrielle: Utiliser les capteurs pour reconnaître une panne en cours Avec les capteurs disponibles, l’analyse reconnaît environ 84% des pannes observées. En usine, une panne n’est pas seulement un événement technique: elle arrête personnes, commandes et capacité productive. Beaucoup de machines ont déjà des capteurs, mais les signaux restent dispersés ou lus trop tard. L’analyse crée une alerte quand le comportement machine ressemble à des pannes déjà vues. Elle est utile si elle déclenche immédiatement un ordre de travail, une inspection ou un contrôle terrain. - Signal utile: Une alerte opérationnelle quand la machine montre des motifs compatibles avec une panne. - Décision possible: Relier l’alerte à la maintenance, l’escalade et la vérification de l’arrêt évité. - Données utiles ensuite: Temps d’intervention, coût d’arrêt et pièces utilisées. - Limite à déclarer: Reconnaître une panne en cours n’est pas la prévoir plusieurs semaines avant. ### 11. Mode et retours: Éviter un modèle quand la bonne donnée manque Dans les données catalogue, la meilleure variable explique moins de 2% des retours. Un e-commerce mode peut vouloir prévoir quels articles seront retournés. La tentation est d’utiliser les données pratiques: catégorie, prix, couleur et fiche produit. L’analyse montre que ces données ne suffisent pas. C’est une bonne découverte managériale: elle évite un investissement fragile et indique les informations utiles, comme ajustement, historique client et motif de retour. - Signal utile: Un verdict négatif clair: le signal n’est pas dans le catalogue produit. - Décision possible: Ne pas financer le modèle prédictif avant de changer la collecte de données. - Données utiles ensuite: Ajustement, motif de retour, mesures et historique client. - Limite à déclarer: Le “non” ne ferme pas le problème; il montre quelles données le rendraient traitable. ### 12. Logistique: Savoir quand un modèle ne peut pas prévoir le retard Avec les seules données de planification, le meilleur modèle reste proche du hasard. Un opérateur logistique veut savoir avant le départ quelles livraisons arriveront en retard. Mais avec les seules données de planification, il regarde une image incomplète: les événements du trajet manquent. L’analyse évite de forcer une prévision faible. La meilleure décision est de collecter événements de voyage, arrêts, déchargement, météo et anomalies opérationnelles avant un modèle plus ambitieux. - Signal utile: Absence de signal utile dans les données disponibles avant le départ. - Décision possible: Arrêter le modèle et concevoir une collecte sur les événements réels du transport. - Données utiles ensuite: Arrêts, déchargement, trafic, météo, exceptions et coût du retard. - Limite à déclarer: Un algorithme plus complexe ne crée pas l’information que le processus n’enregistre pas. ### 13. Conformité: Mettre les contrôles d’abord là où le risque est plus élevé Avec le même nombre de contrôles, le ranking détecte plus de cas graves. Un organisme de contrôle ou une fonction conformité a toujours plus de cas à vérifier qu’il ne peut en traiter immédiatement. La question n’est pas de faire des contrôles infinis, mais de choisir le bon ordre. L’analyse utilise l’historique des vérifications pour construire une liste de priorité. Les contrôles restent humains, mais l’agenda est ordonné pour augmenter la probabilité de trouver d’abord les cas sérieux. - Signal utile: Un classement de risque pour programmer contrôles et follow-up. - Décision possible: Ordonner inspections, audits ou contrôles internes sans augmenter le budget. - Données utiles ensuite: Résultat du contrôle, récidive, gravité et temps de retour à conformité. - Limite à déclarer: Le modèle ne décide pas des sanctions; il aide à ordonner les priorités. ### 14. Manufacture: Voir quand une machine consomme sans assez produire Les profils opérationnels montrent un écart d’efficacité de 11,4 points. En production, la consommation moyenne cache souvent des histoires différentes. La même machine peut travailler de façon plus ou moins efficace, mais la donnée énergétique brute n’explique pas immédiatement pourquoi. L’analyse regroupe les comportements machine et montre quels profils méritent comparaison. Avant d’acheter de nouveaux capteurs ou équipements, l’entreprise peut demander quelles conditions séparent travail efficace et gaspillage. - Signal utile: Une carte des profils de fonctionnement, pas seulement de la consommation moyenne. - Décision possible: Comparer meilleurs et pires profils et lancer un pilote de réduction du gaspillage. - Données utiles ensuite: Coût énergie, heures machine, production et réglages opérationnels. - Limite à déclarer: La valeur en euros doit être estimée seulement quand consommation et production sont reliées. ## Questions fréquentes ### Remplace-t-elle la Business Intelligence? Non. La BI suit les indicateurs connus; l'analyse agentique diagnostique les causes, cherche des signaux non évidents et relie le résultat à une décision. ### Un data warehouse parfait est-il nécessaire? Non. La première valeur peut être de vérifier si les données existantes conviennent, quelles limites elles ont et quelles données collecter ensuite. ### Que se passe-t-il s'il n'y a pas de signal? La méthode énonce le verdict négatif et indique quel investissement éviter ou quelle collecte lancer avant de financer un modèle.