Nos références clients
+180 missions déployées en production. Des résultats concrets, mesurables.
180 références
Plateforme Data Lakehouse unifiée
Grande banque française de réseau (Top 5) exploitant plus de 15 systèmes sources hétérogènes (core banking, CRM, risques, comptabilité, RH). Les données sont dispersées entre mainframe, bases Oracle et fichiers plats. L'équipe data de 8 personnes passe 60% de son temps en réconciliation manuelle. Le CDO nouvellement nommé porte un mandat de transformation à 3 ans. L'entreprise cherche à industrialiser son approche data, pas à repartir de zéro.
Gouvernance et catalogue de données groupe
Groupe bancaire coopératif composé de 20 entités régionales autonomes, chacune disposant de son propre SI et de ses pratiques data. Le groupe fait face à des exigences réglementaires croissantes (BCBS239, GDPR, DORA) nécessitant une vision consolidée et traçable des données. Le COMEX a mandaté un programme de gouvernance data groupe après un avertissement du régulateur.
Migration Hadoop vers Lakehouse cloud
Banque d'investissement (BFI) d'un groupe bancaire européen, avec un cluster Hadoop on-premise de 200 nœuds déployé en 2016. L'infrastructure supporte 50+ pipelines critiques de données de marché, risques et conformité. L'équipe Big Data de 12 personnes passe 70% de son temps en maintenance et firefighting. Le contrat de support Cloudera expire dans 12 mois.
Data Quality Framework industrialisé
Société de gestion d'actifs (AuM 15Md€) soumise à des obligations réglementaires strictes (SFDR, MIFID II, PRIIPs). Le calcul quotidien des NAV (Valeur Nette d'Actif) repose sur des données de marché provenant de 8 fournisseurs différents. Les contrôles qualité sont manuels, réalisés par une équipe de 4 personnes travaillant de 6h à 9h chaque matin pour la production NAV.
Référentiel client unique (RCU) 360°
Assureur multi-branches (auto, MRH, santé, prévoyance) avec 3 systèmes d'information clients distincts hérités d'acquisitions successives. 4 millions d'assurés répartis sur les 3 SI sans identifiant commun. Les équipes commerciales et le service client n'ont aucune vision consolidée : un assuré peut appeler 3 fois pour le même sujet sans que l'historique soit visible. Le client a déjà eu des expériences décevantes avec des cabinets classiques.
Data Mesh : domaines métier autonomes
Mutuelle santé et prévoyance (2 millions d'adhérents) organisée historiquement en silos métier. L'équipe data centrale de 6 personnes est le point de passage obligé pour tout besoin analytique. File d'attente de 40+ demandes avec un délai moyen de 6 mois entre la demande métier et la livraison d'un cas d'usage. Les directions métier (Santé, Prévoyance, Distribution, Finance) sont frustrées et commencent à monter leurs propres initiatives shadow IT. Ambition claire : passer du pilote à l'échelle avec un partenaire engagé.
Industrialisation pipelines Data Engineering
Opérateur de transport public urbain (bus, tramway, métro) gérant 500+ véhicules et 10 000 capteurs IoT. Les données opérationnelles (géolocalisation, affluence, maintenance) sont produites par des systèmes hétérogènes (SCADA, SAEIV, billettique). L'équipe data de 4 personnes gère 30+ pipelines développés artisanalement sur des scripts Python/cron sans versionnement ni tests.
Plateforme BI self-service
Énergéticien européen (CA 8Md€) avec 15 000 collaborateurs et un reporting centralisé reposant sur un écosystème Excel. Plus de 200 fichiers Excel circulent mensuellement entre les directions pour produire le reporting de gestion. L'équipe contrôle de gestion de 12 personnes passe 80% de son temps à consolider et vérifier les données, laissant 20% pour l'analyse à valeur ajoutée.
Data Lake IoT industriel
Groupe industriel européen (12 usines réparties dans 5 pays) produisant des équipements pour l'automobile et l'aéronautique. Chaque usine dispose de ses propres systèmes SCADA et MES générant des téraoctets de données machines (vibrations, températures, pressions, cadences). Ces données restent confinées dans chaque usine sans aucune exploitation analytique centralisée.
Modernisation entrepôt de données
Laboratoire pharmaceutique international (CA 5Md€) avec un Data Warehouse Oracle déployé il y a 12 ans. Le DWH stocke les données essais cliniques, production, commerciales et réglementaires. L'infrastructure on-premise est saturée : requêtes analytiques de plus en plus lentes, impossibilité d'ajouter de nouvelles sources, coûts de maintenance en hausse constante.
API Data Hub pour Open Banking
Banque en ligne (néobanque) en forte croissance avec 30+ partenaires API (PSP, scoring, KYC, agrégation de comptes). Chaque intégration partenaire a été développée en mode projet avec des architectures point-à-point différentes. L'équipe de 3 développeurs backend passe 80% de son temps en maintenance des intégrations existantes au lieu de connecter de nouveaux partenaires.
Lineage et traçabilité réglementaire
Grande banque systémique française soumise aux exigences BCBS239 et GDPR, avec un patrimoine data de 5000+ tables réparties sur 50+ systèmes. Le régulateur exige une traçabilité complète de l'origine des données alimentant les reportings réglementaires (COREP, FINREP, LCR, NSFR). Lors du dernier contrôle sur place, la banque n'a pas pu démontrer le lignage des données en moins de 2 semaines.
DataOps : CI/CD pour pipelines data
Asset Manager européen (AuM 25Md€) gérant 50+ pipelines de données critiques (market data, NAV, risques, compliance, reporting client). Les déploiements sont manuels : un data engineer se connecte en SSH aux serveurs de production pour déployer les modifications. Aucun test automatisé, aucun environnement de staging, aucun rollback possible. 2 incidents majeurs par mois en moyenne liés à des erreurs de déploiement.
Master Data Management sinistres
Assureur IARD (2M de contrats) dont les données sinistres sont éclatées sur 4 systèmes : gestion sinistres auto, gestion sinistres MRH, plateforme de fraude et système comptable. Chaque système a sa propre codification et son propre référentiel. L'équipe actuariat passe 40% de son temps à réconcilier manuellement les données sinistres entre systèmes pour produire ses analyses.
Plateforme data temps réel voyageurs
Opérateur ferroviaire national gérant 2000+ trains/jour et 5 millions de voyageurs quotidiens. Les données voyageurs (billettique, réservation, fidélité, réclamation) sont traitées en batch J+1. Les campagnes marketing sont lancées avec des données de 24-48h de retard, rendant toute personnalisation en temps réel impossible. Le taux de conversion des campagnes email stagne à 1.2%.
Data Warehouse cloud multi-entités
Mutuelle groupe composée de 5 entités (santé, prévoyance, retraite, dépendance, épargne) issues de fusions successives. Chaque entité opère sur un SI différent avec des référentiels, des modèles de données et des technologies hétérogènes. Le reporting consolidé groupe pour le COMEX est produit manuellement en 15 jours ouvrés après chaque clôture mensuelle.
Socle data pour conformité Solvabilité II
Assureur vie (encours 30Md€) soumis à Solvabilité II, pilier 3. La production des reportings SFCR et RSR mobilise une équipe de 8 actuaires et comptables pendant 2 mois chaque année. Le processus est largement manuel : extraction de données depuis 6 systèmes, transformation dans Excel, validation croisée, et production des états QRT au format XBRL.
Observabilité plateforme data
Producteur d'énergie renouvelable (éolien et solaire) opérant 50 parcs répartis sur le territoire. L'équipe data gère 200+ pipelines alimentant les systèmes de monitoring production, maintenance et trading. Les pannes de pipelines sont fréquentes et silencieuses : l'équipe les découvre souvent via les plaintes des équipes métier (trading, maintenance) qui constatent des données manquantes.
Reverse ETL pour activation CRM
Maison de luxe française (CA 3Md€) avec des données client exceptionnellement riches (achats boutique, e-commerce, CRM, programme fidélité) stockées dans un data warehouse Snowflake. Ces données analytiques sont déconnectées des outils opérationnels (Salesforce CRM, Braze marketing). Les équipes marketing créent des segments dans Snowflake mais doivent les exporter manuellement en CSV pour les activer dans Braze. Le client a déjà eu des expériences décevantes avec des cabinets classiques.
Catalogue de données métier self-service
Groupe industriel européen (10Md€ CA, 8 BU) où les équipes data sont centralisées mais les données sont gérées par chaque BU indépendamment. Plus de 500 tables de données existent dans le warehouse mais aucune n'est documentée : les noms de colonnes sont cryptiques, les relations entre tables non documentées, et les règles métier connues uniquement des quelques personnes qui ont créé les tables.
Ingestion données partenaires bancaires
Banque en ligne (néobanque B2B) en croissance rapide avec 30+ partenaires API (scoring crédit, KYC, agrégation bancaire, PSP). Chaque partenaire a été intégré de manière ad hoc par des développeurs différents, créant un patchwork de connecteurs hétérogènes sans standard ni monitoring commun.
Data Clean Room pour partenariats
Maison de luxe horlogère suisse avec des partenariats stratégiques avec des médias premium et des retailers multimarques. Le marketing souhaite mesurer le ROI des campagnes co-brandées mais ne peut pas partager les données clients avec les partenaires pour des raisons RGPD. Les analyses croisées sont impossibles, rendant les décisions d'investissement partenaires basées sur l'intuition.
Refonte flux comptables data-driven
Société de gestion d'actifs (AuM 10Md€) avec des flux comptables reposant sur un système legacy et des traitements Excel manuels. La clôture mensuelle mobilise 6 comptables pendant 10 jours ouvrés. Les réconciliations entre le système de gestion, la comptabilité et le dépositaire sont effectuées manuellement ligne par ligne sur des fichiers de 50 000+ écritures.
Plateforme data multi-cloud hybride
Énergéticien majeur français opérant à la fois sur des infrastructures on-premise (données industrielles SCADA, PI System) avec des contraintes de souveraineté, et sur le cloud public pour l'analytics et le pilotage commercial. Les données critiques de production ne peuvent pas migrer vers le cloud public (politique de sécurité) mais les équipes analytics ont besoin d'y accéder pour leurs modèles prédictifs. Le dirigeant veut des résultats mesurables, pas une phase de discovery sans fin.
Socle data pour pilotage commercial réseau
Assureur avec un réseau de 2000 agents généraux et courtiers. Le pilotage commercial réseau repose sur des fichiers Excel envoyés mensuellement par la direction commerciale. Les inspecteurs régionaux passent 2 jours/semaine à consolider les données pour préparer leurs visites terrain. Le scoring des agences se fait au feeling, sans critères objectifs.
Streaming analytics trafic voyageurs
Réseau métro et bus d'une grande métropole avec 300 capteurs d'affluence répartis sur les stations et véhicules. Les données d'affluence sont collectées et traitées en batch chaque nuit, produisant des rapports disponibles le lendemain matin. L'exploitation ne dispose d'aucune visibilité temps réel pour adapter l'offre de transport aux variations d'affluence intra-journalières.
Entrepôt de données cliniques
CHU de 4000 lits avec des données cliniques dispersées dans 12 applicatifs métier (DPI, PACS, labo, pharmacie, bloc opératoire, urgences). Les chercheurs cliniques ont besoin de constituer des cohortes de patients pour les études cliniques mais doivent le faire manuellement en interrogeant chaque système séparément. La constitution d'une cohorte prend 3-4 semaines.
Data platform e-commerce luxe
Maison de luxe française (mode et accessoires, CA 5Md€) avec une stratégie e-commerce en forte croissance (+40%/an). Les données web, app mobile, boutiques physiques et programme VIC (Very Important Client) sont stockées dans des systèmes séparés. Les conseillers de vente en boutique ne voient que l'historique boutique du client, pas ses interactions digitales.
Automatisation reporting réglementaire ACPR
Assureur majeur (top 5 France) avec une production ACPR/EIOPA trimestrielle de 80+ états QRT (Quantitative Reporting Templates). La production mobilise 10 actuaires et comptables pendant 6 semaines par trimestre. Le processus repose sur des fichiers Excel interconnectés avec des macros VBA développées il y a 8 ans et maîtrisées par 2 personnes.
Data Lake santé connectée
Laboratoire pharmaceutique international avec des données patients issues de dispositifs médicaux connectés (montres, capteurs, implants). Ces données real-world evidence (RWE) sont dispersées dans des systèmes cloud différents selon les projets cliniques, sans vision consolidée. Le potentiel de ces données pour les études post-commercialisation est immense mais inexploité.
Migration Oracle → Snowflake groupe bancaire
Banque coopérative française (5000 agences, 15M clients) opérant un Data Warehouse Oracle de 200 To déployé en 2011. Le coût de licence Oracle a atteint 2M€/an et croît de 15% par an. L'équipe de 5 DBA Oracle est vieillissante et les compétences se raréfient sur le marché. Le DWH supporte les reportings réglementaires, commerciaux et risques.
Feature Store ML industrialisé
Banque retail avec 20+ modèles ML en production (scoring crédit, fraude, churn, pricing, AML). Chaque équipe data science calcule ses propres features de manière indépendante, entraînant des duplications et des incohérences. Un même client peut avoir un score de risque différent selon le modèle car les features 'revenu' ou 'ancienneté' sont calculées différemment par chaque équipe.
Consolidation données RH groupe
Groupe industriel (8 BU, 5000 employés) ayant réalisé 3 acquisitions en 2 ans. Chaque entité acquise a apporté son propre SIRH (Workday, SAP HCM, ADP). Le DRH groupe ne dispose d'aucune vision consolidée des effectifs, de la masse salariale ni des indicateurs sociaux. La production du bilan social consolidé (BDESE) est un cauchemar annuel de 3 mois. L'entreprise cherche à industrialiser son approche data, pas à repartir de zéro.
Data platform supply chain
Manufacturier mondial (CA 15Md€) avec une supply chain couvrant 30 pays, 50 fournisseurs Tier 1, 12 usines et 200 entrepôts. Les données supply chain sont fragmentées entre l'ERP (SAP), le WMS (Manhattan), le TMS (Oracle) et des fichiers Excel échangés avec les fournisseurs. Le directeur supply chain pilote avec des tableaux Excel consolidés manuellement chaque semaine. Ambition claire : passer du pilote à l'échelle avec un partenaire engagé.
Audit flash maturité data
Mutuelle santé et prévoyance (3M adhérents) ayant nommé un CDO il y a 3 mois. Le COMEX a validé le principe d'un investissement data/IA mais demande un diagnostic rapide et une roadmap chiffrée avant de débloquer le budget. La maturité data est très hétérogène : certaines directions (finance) sont avancées, d'autres (santé, distribution) n'ont aucune culture data. L'entreprise cherche à industrialiser son approche data, pas à repartir de zéro.
Architecture data événementielle
Compagnie aérienne européenne (70M passagers/an) avec des systèmes temps réel critiques (gestion des vols, yield management, opérations aéroport). L'architecture data actuelle est 100% batch : les données de vol, passagers et opérations sont disponibles en T+1 au mieux. L'exploitation n'a aucune visibilité temps réel sur les impacts d'une perturbation en cascade. Le dirigeant veut des résultats mesurables, pas une phase de discovery sans fin.
Données ouvertes et portail Open Data
Opérateur de transport public soumis à la loi pour une République numérique imposant l'ouverture des données de mobilité. Les données GTFS (horaires, itinéraires, arrêts) sont publiées manuellement et rarement mises à jour. Le transport.data.gouv.fr signale régulièrement des données manquantes ou obsolètes.
Datalake images médicales
Réseau de cliniques privées (15 établissements) avec un patrimoine d'imagerie médicale massive (IRM, scanner, radio, écho) stocké localement dans chaque PACS (Picture Archiving and Communication System). Les images ne sont pas centralisées ni exploitables pour la recherche ou l'IA. Chaque établissement a son propre PACS avec des versions et configurations différentes.
Qualité données produits catalogue
Maison de luxe (maroquinerie et prêt-à-porter) avec un catalogue de 50K+ références dont les fiches produits alimentent le site e-commerce, les marketplaces et les systèmes POS en boutique. Les données produits sont gérées dans un PIM (Product Information Management) alimenté manuellement par les équipes merchandising, avec un taux de complétude moyen de 65%.
Data Vault 2.0 pour data warehouse agile
Banque privée suisse avec un modèle de données patrimoniales rigide (schéma en étoile classique) déployé il y a 10 ans. Chaque nouvelle source de données (nouveau dépositaire, nouveau marché, nouveau type d'actif) nécessite 3 mois de développement pour adapter le modèle. L'agilité des analystes est bridée par la rigidité du DWH.
Centralisation données ESG
Asset Manager européen (AuM 50Md€) soumis au règlement SFDR et à la taxonomie européenne. Les données ESG proviennent de 10+ fournisseurs (MSCI, Sustainalytics, Bloomberg, ISS, CDP) avec des méthodologies, couvertures et scores divergents. L'équipe ESG de 3 analystes passe 60% de son temps à réconcilier les données entre fournisseurs.
Data platform production énergie
Producteur d'énergie renouvelable opérant 200 parcs éoliens et solaires répartis sur 8 pays. Chaque parc dispose de son propre système SCADA et historian (PI System, Wonderware) générant des millions de points de données par jour. Le pilotage centralisé se fait sur des fichiers Excel envoyés par email par les responsables de parc.
Unification données patients multi-sites
Groupe hospitalier public (5 établissements, 6000 lits) avec un dossier patient dispersé entre le DPI, le PACS, le système de labo, la pharmacie et les urgences. Un patient transféré entre établissements n'a pas de continuité de dossier : les médecins du nouvel établissement n'ont pas accès à l'historique médical complet.
Data marketplace interne
Conglomérat industriel (15 BU, CA 20Md€) avec une organisation data décentralisée. Chaque BU possède ses propres données mais ne les partage pas avec les autres. Des opportunités de cross-selling et de synergies opérationnelles sont perdues car les données restent cloisonnées. Le CDO groupe a identifié un potentiel de 50M€/an en valeur data cross-BU.
Flux données temps réel enchères
Plateforme de trading d'un broker européen gérant 100K transactions/jour sur les marchés actions et dérivés. Les positions de risque sont calculées en batch toutes les 4 heures, laissant les traders et le risk management dans l'incertitude entre deux calculs. Lors du flash crash de mars dernier, les positions étaient obsolètes de 3 heures quand la perte a été détectée.
Prédiction de churn clients
Assureur multi-branches (auto, MRH, santé) avec un portefeuille de 3 millions de contrats et un taux de churn annuel de 18%, bien au-dessus de la moyenne du marché (12%). Les actions de rétention sont déclenchées après la réception du courrier de résiliation, soit trop tard dans 80% des cas. Le coût d'acquisition d'un nouveau client est 5 fois supérieur au coût de rétention.
Détection de fraude temps réel
Grande banque retail française (10M de transactions par jour) faisant face à une hausse de 25% de la fraude carte bancaire en 2 ans. Le système anti-fraude actuel repose sur 200 règles statiques définies manuellement il y a 5 ans. Les fraudeurs ont appris à contourner ces règles. Le taux de faux positifs est de 90%, saturant l'équipe de 15 analystes fraude qui ne peut traiter que 30% des alertes.
LLM interne sécurisé (RAG)
Grande banque française (BFI + retail) avec plus de 500 documents réglementaires internes (procédures, circulaires, notes de conformité) totalisant 50 000 pages. Les conseillers clientèle et les équipes compliance passent en moyenne 45 minutes par jour à chercher des informations dans cette documentation. Les réponses aux clients sur des sujets réglementaires prennent 24-48h car les conseillers doivent consulter le service juridique.
Maintenance prédictive flotte ferroviaire
Opérateur ferroviaire national gérant une flotte de 500+ rames (TGV, TER, Intercités) avec une politique de maintenance basée sur des intervalles fixes (kilométriques ou temporels). Les coûts de maintenance représentent 30% du budget opérationnel. Les pannes en ligne (immobilisation en voie) impactent 2-3% des trains quotidiennement, générant des retards en cascade et des coûts de re-routing estimés à 50M€/an.
Classification automatique sinistres
Assureur IARD majeur traitant 200K sinistres par an répartis entre auto (60%), MRH (30%) et responsabilité civile (10%). Le tri initial des sinistres est effectué manuellement par une équipe de 40 gestionnaires qui lisent les déclarations, classifient le type de sinistre et orientent vers l'expert ou le gestionnaire spécialisé. Le temps de traitement du tri initial est de 15 minutes par dossier. Besoin d'un partenaire qui s'engage sur les résultats, pas sur du temps.
Optimisation tarification ML
Assureur (auto, MRH, santé) avec une tarification reposant sur des modèles GLM (Generalized Linear Models) développés il y a 8 ans par l'actuariat. Les modèles utilisent 15 variables tarifaires classiques (âge, zone, ancienneté, bonus-malus). La concurrence a adopté le ML depuis 3 ans et propose des tarifs plus compétitifs sur les bons risques, entraînant une anti-sélection progressive du portefeuille.
Computer Vision contrôle qualité
Usine automobile d'un équipementier Tier 1 produisant 500K pièces/jour (jantes aluminium). Le contrôle qualité visuel est assuré par 30 opérateurs travaillant en 3x8 sur les lignes de production. Le contrôle humain détecte 92% des défauts mais souffre de variabilité inter-opérateurs et de fatigue en fin de poste. Le taux de rebut est de 5% dont 1.5% détecté chez le client (réclamations constructeur automobile).
Chatbot IA service client
Banque en ligne (1.5M clients) avec un centre d'appels de 200 agents traitant 30K appels/jour. 80% des appels concernent des questions répétitives (solde, virement, opposition carte, relevés) auxquelles les agents répondent manuellement. Le temps d'attente moyen est de 12 minutes, le coût par appel de 15€, et le NPS du service client à -5.
Prédiction consommation énergétique
Gestionnaire de réseau électrique régional alimentant 3 millions de foyers. Les pics de consommation sont de plus en plus difficiles à anticiper en raison de la multiplication des sources renouvelables intermittentes (solaire, éolien) et de l'électrification des usages (véhicules électriques, pompes à chaleur). Les prévisions de charge actuelles ont une erreur moyenne de 8%, entraînant des délestages coûteux ou une surcapacité de réserve.
NLP extraction automatique contrats
Société de gestion d'actifs (AuM 20Md€) gérant 150 fonds avec 10K+ contrats d'investissement à analyser chaque année pour la revue de conformité. L'équipe juridique de 5 personnes lit manuellement chaque contrat pour identifier les clauses clés (frais, durée, conditions de sortie, clauses restrictives). Le processus de revue annuelle mobilise 500 JH et retarde les décisions d'investissement.
Scoring crédit ML augmenté
Banque retail (8M clients) avec un scoring crédit développé en 2018 sur un modèle logistique utilisant 12 variables traditionnelles (revenus, emploi, historique bancaire). Le modèle montre des signes de dégradation : le taux de défaut réel est 20% supérieur au taux prédit, et le taux de refus est jugé excessif par la direction commerciale (35% des demandes refusées vs 25% objectif). L'entreprise cherche à industrialiser son approche data, pas à repartir de zéro.
Recommandation produits cross-sell
Assureur multi-produits (auto, MRH, santé, prévoyance) avec un taux de cross-sell de 8% (1 produit par client en moyenne). L'objectif stratégique est d'atteindre 1.5 produit par client d'ici 3 ans. Les recommandations actuelles sont basées sur des règles métier simples (si auto → proposer MRH) sans personnalisation ni timing optimisé.
IA générative pour rapports actuariels
Assureur vie (encours 30Md€) dont l'équipe actuarielle de 15 personnes produit 40 rapports actuariels par an (rapports trimestriels par fonds, rapports annuels, études spécifiques). Chaque rapport nécessite 40 heures de travail : extraction de données, calculs, rédaction, mise en forme. Les actuaires passent 70% de leur temps sur la production de rapports et 30% sur l'analyse à valeur ajoutée.
Détection anomalies réseau énergie
Gestionnaire de réseau gaz opérant 50 000 km de canalisations avec 500 stations de mesure et de régulation. Les fuites de gaz sont détectées principalement par des inspections terrain (hélicoptère, véhicule) coûtant 15M€/an. Le réseau vieillit (40% des canalisations ont plus de 40 ans) et le nombre d'incidents augmente de 5% par an.
Prédiction retards et perturbations
Opérateur de transport urbain (métro, bus, tramway) d'une grande métropole, gérant 5 millions de déplacements quotidiens. Les perturbations (pannes matériel, incidents voyageurs, grèves partielles) provoquent en moyenne 200 retards significatifs par semaine. L'information voyageur est diffusée manuellement par les régulateurs, souvent 15-30 minutes après le début de la perturbation.
OCR intelligent documents médicaux
Réseau de 15 cliniques privées traitant 500K dossiers patients par an, dont 60% sous forme papier (courriers, comptes-rendus, ordonnances). La numérisation se fait par scanning avec OCR basique qui ne reconnaît que 60% du texte, nécessitant une saisie manuelle complémentaire par 25 agents d'archivage. Le délai de numérisation est de 5 jours ouvrés en moyenne.
Demand forecasting supply chain
Manufacturier de biens de consommation (CA 3Md€) avec 15 000 références produits vendues dans 30 pays via 50 000 points de vente. Les prévisions de ventes sont réalisées par les directeurs commerciaux régionaux sur Excel avec une précision de 60%. Les erreurs de prévision causent simultanément 25% de surstock (destructions, promotions forcées) et 8% de ruptures (ventes perdues).
Personnalisation client temps réel
Maison de luxe française (joaillerie et horlogerie, CA 4Md€) avec un réseau de 200 boutiques et un site e-commerce en croissance de 50%/an. L'expérience client est identique pour tous les visiteurs, que ce soit un client VIC (Very Important Client) représentant 100K€/an ou un premier visiteur. Le panier moyen en ligne stagne à 2 500€ malgré un catalogue qui s'enrichit.
Analyse sentiment et voix du client
Assureur multi-branches avec 10K+ verbatims clients par mois (enquêtes NPS, réclamations, avis en ligne, réseaux sociaux). Le NPS a perdu 8 points en 18 mois et la direction marketing n'a aucune explication précise. L'analyse manuelle de verbatims est réalisée par 2 analystes qui lisent un échantillon de 500 verbatims/mois (5% du total).
MLOps : industrialisation modèles ML
Grande banque retail française avec 15 modèles ML en production (scoring, fraude, churn, pricing, recommandation) déployés au fil des 3 dernières années sans framework commun. Chaque data scientist déploie ses modèles avec ses propres outils et méthodes. Le time-to-production d'un modèle est de 3 mois, dont 2 mois de travail d'ingénierie pour le déploiement.
Provisionnement IFRS17 augmenté par ML
Assureur vie (encours 30Md€) en pleine transition IFRS17 (entrée en vigueur 2023). Les calculs actuariels sous IFRS17 (CSM, BEL, Risk Adjustment) nécessitent des simulations Monte Carlo massives. Sur l'infrastructure CPU actuelle, un calcul complet du portefeuille prend 72 heures, limitant le nombre de scénarios simulables à 100 par trimestre.
IA aide au diagnostic médical
Hôpital universitaire (CHU) de 2000 lits avec un service de radiologie réalisant 300K examens d'imagerie par an (IRM, scanner, radiographie). L'équipe de 25 radiologues fait face à une charge de travail croissante (+10%/an) sans recrutement possible (pénurie de radiologues). Le délai de lecture des examens non urgents est passé de 24h à 48h en 2 ans.
Optimisation pricing dynamique
E-commerce de luxe (mode et accessoires, CA 500M€) avec un pricing statique : les prix sont fixés en début de saison et ne changent qu'aux périodes de soldes. La concurrence multi-marques ajuste ses prix en temps réel. Les marges sont sous-optimisées : certains produits à forte demande sont sous-pricés tandis que d'autres pourraient bénéficier de promotions ciblées.
Prédiction de défaillance fournisseurs
Groupe industriel (CA 8Md€) avec 2000 fournisseurs Tier 1 répartis dans 30 pays. Trois défaillances fournisseurs majeures en 18 mois ont causé des arrêts de production de 2-4 semaines, coûtant 25M€ en perte de CA et pénalités clients. La surveillance fournisseur se limite à un questionnaire annuel d'auto-évaluation complété par 60% des fournisseurs.
Automatisation KYC par IA
Grande banque française avec un processus KYC (Know Your Customer) traitant 50K dossiers d'ouverture de compte par an. Le processus est largement manuel : collecte de pièces d'identité, vérification d'identité, screening listes de sanctions, évaluation du risque de blanchiment. Temps moyen de traitement : 45 minutes par dossier, mobilisant 30 analystes compliance.
Optimisation tournées de maintenance
Distributeur gaz national opérant 2000 techniciens terrain pour la maintenance, les raccordements et les interventions d'urgence. La planification des tournées est réalisée manuellement par 50 dispatchers la veille pour le lendemain. Les techniciens parcourent en moyenne 120 km/jour dont 35% de kilomètres improductifs (trajets entre interventions mal optimisés).
Détection fraude assurance santé
Mutuelle santé (3M adhérents) avec un budget fraude en hausse de 20% par an. La fraude aux prestations santé est estimée à 5% du montant total des remboursements (soit 150M€/an). Les contrôles actuels par échantillonnage détectent 20% des fraudes : 80% passent inaperçues. Les schémas frauduleux impliquent souvent des réseaux (praticiens, officines, assurés complices). Ambition claire : passer du pilote à l'échelle avec un partenaire engagé.
GenAI copilot développeurs
DSI d'un grand groupe (200+ développeurs) avec un LLM généraliste (ChatGPT/Copilot) utilisé de manière non contrôlée par les équipes. Les risques sont identifiés : fuite de code propriétaire vers des services cloud, hallucinations dans le code généré, absence de standards de qualité. La productivité développeurs stagne malgré l'adoption croissante d'outils IA.
Prédiction attrition collaborateurs
Groupe industriel (5000 employés en production) avec un turnover de 22% sur les postes de production, bien au-dessus de la moyenne du secteur (14%). Le coût moyen de remplacement d'un opérateur (recrutement + formation + courbe d'apprentissage) est de 15K€. Les démissions sont systématiquement inattendues par le management.
IA générative rédaction propositions commerciales
Cabinet de conseil Data & IA rédigeant 200 propositions commerciales par an. Chaque proposition nécessite 3 jours de travail (recherche contexte client, rédaction, mise en forme, revue). Les consultants seniors passent 30% de leur temps sur la rédaction de propositions au lieu de missions facturables. Ambition claire : passer du pilote à l'échelle avec un partenaire engagé.
IA prédictive pannes réseau télécom
Opérateur télécom (15M abonnés) en plein déploiement du réseau 5G avec 50K antennes à gérer. Les pannes réseau non anticipées causent des dégradations de service impactant des milliers d'abonnés. Le SLA de disponibilité réseau est de 99.9% mais n'est respecté qu'à 99.5%, entraînant des pénalités contractuelles des opérateurs MVNO hébergés.
Scoring ESG automatisé par IA
Asset Manager ESG (AuM 15Md€) spécialisé en investissement responsable avec obligation de scoring ESG sur l'ensemble du portefeuille. L'équipe ESG de 4 analystes note manuellement chaque émetteur en lisant les rapports de développement durable, les CDP et les publications sectorielles. La couverture est limitée à 500 émetteurs sur les 5000 en portefeuille.
Reconnaissance visuelle pièces détachées
Compagnie aérienne (70M passagers/an) avec des ateliers de maintenance lourde (MRO) traitant 500K pièces détachées par an. L'identification manuelle des pièces (numéro de série, référence constructeur) lors des inspections est source d'erreurs : 3% des pièces sont mal identifiées, entraînant des commandes erronées et des retards de maintenance.
IA conformité LCB-FT
Grande banque française avec un département conformité LCB-FT (Lutte Contre le Blanchiment - Financement du Terrorisme) traitant 150K alertes par an générées par le système de surveillance des transactions. Le taux de faux positifs est de 95% : sur 150K alertes, seuls 7500 cas nécessitent une investigation approfondie. L'équipe de 40 analystes est saturée et le backlog d'alertes non traitées atteint 3 mois. L'entreprise cherche à industrialiser son approche data, pas à repartir de zéro.
Audit continu par IA
Groupe bancaire européen avec un département d'audit interne réalisant 50 missions d'audit par an. L'audit des transactions se fait par échantillonnage : 5% des transactions sont sélectionnées aléatoirement et examinées manuellement. Ce taux de couverture est insuffisant : 3 fraudes internes majeures (15M€ au total) ont été découvertes fortuitement ces 2 dernières années. L'entreprise cherche à industrialiser son approche data, pas à repartir de zéro.
Optimisation mix énergétique par IA
Producteur multi-énergie (nucléaire, hydraulique, éolien, solaire, gaz) devant arbitrer en permanence entre ses sources de production pour optimiser le mix énergétique. L'arbitrage actuel est réalisé par 15 traders énergie basés sur des modèles Excel et leur expertise. La complexité croissante du marché (EnR intermittentes, prix volatils, stockage) dépasse la capacité d'analyse humaine.
NLP analyse brevets pharma
Laboratoire pharmaceutique international (CA 10Md€) avec une veille brevets réalisée manuellement par 5 analystes propriété intellectuelle. Le portefeuille de brevets à surveiller couvre 20K brevets propres et 100K brevets concurrents. Les analystes traitent en moyenne 500 nouveaux brevets par mois alors que 5000 sont publiés dans les domaines d'intérêt. Le client a déjà eu des expériences décevantes avec des cabinets classiques.
Prédiction sinistralité climatique
Assureur IARD (5M contrats) confronté à une augmentation de 40% de la sinistralité climatique en 5 ans (tempêtes, inondations, grêle, sécheresse). Les modèles actuariels classiques (tables de mortalité, lois statistiques historiques) ne capturent pas la dynamique du changement climatique. Le régulateur (ACPR) exige une prise en compte du risque climat dans les provisions et la tarification.
IA aide à la vente en boutique
Réseau de 500 boutiques d'une maison de luxe avec des conseillers de vente disposant d'un CRM basique (historique achats en boutique uniquement). Lors d'un rendez-vous client, le conseiller ne connaît que les achats réalisés dans sa propre boutique. Il ignore les achats en ligne, les interactions digitales, les préférences et les occasions personnelles du client.
Simulation Monte Carlo accélérée GPU
Assureur vie avec des simulations Solvabilité II reposant sur des Monte Carlo CPU. Les calculs complets du portefeuille (Best Estimate Liabilities, CSM IFRS17, Risk Adjustment) nécessitent 72 heures sur un cluster de 200 serveurs CPU. Le nombre de scénarios est limité à 100 par trimestre, alors que les auditeurs et le régulateur en demandent 1000+.
IA process mining opérations
Banque retail (8M clients) avec un processus de crédit immobilier moyen de 45 jours entre la demande et le décaissement. Le processus traverse 12 étapes impliquant 6 services différents. Les clients se plaignent de la lenteur et 15% abandonnent en cours de processus. La direction ne sait pas où sont les goulots d'étranglement.
Agent IA gestion sinistres
Assureur habitation traitant 150K sinistres/an avec un processus de gestion en 5 étapes (déclaration, évaluation, expertise, indemnisation, clôture). Le délai moyen de traitement est de 21 jours, bien au-dessus de l'attente client (7 jours). La satisfaction sinistres est à 55% (NPS -20), principal facteur de churn.
Optimisation consommation énergie bâtiments
Gestionnaire immobilier (200 bâtiments tertiaires, 500K m²) soumis au décret tertiaire (réduction de 40% de la consommation énergétique d'ici 2030). Les systèmes CVC (Chauffage, Ventilation, Climatisation) sont pilotés par des automates avec des consignes fixes, sans adaptation aux conditions réelles d'occupation ou de météo.
Drug repurposing par ML
Laboratoire pharmaceutique investissant 2Md€/an en R&D avec un taux de succès des molécules de 10% (de la phase 1 à la mise sur le marché). Le temps moyen de développement d'une nouvelle molécule est de 10 ans. L'identification de nouvelles indications pour des molécules existantes (drug repurposing) est une stratégie pour réduire les coûts et accélérer la mise sur le marché.
IA inspection visuelle matériaux
Sidérurgiste européen (CA 5Md€) produisant des tôles d'acier pour l'automobile. Le contrôle qualité de surface des tôles est réalisé par inspection visuelle manuelle par 20 opérateurs en 3x8. Les défauts de surface (rayures, porosités, oxydation, inclusions) sont détectés à un taux de 94% mais avec une forte variabilité selon l'opérateur et le moment de la journée.
Prédiction flux trésorerie ML
Trésorerie d'un groupe industriel (50 filiales dans 25 pays) avec des prévisions de cash réalisées sur Excel par les trésoriers locaux. L'agrégation groupe est manuelle et disponible en milieu de mois pour le mois en cours. L'erreur moyenne de prévision à 30 jours est de 25%, impactant les décisions de placement et de financement court terme.
Segmentation client dynamique ML
Maison de luxe (cosmétiques et parfums) avec une segmentation client basée sur le modèle RFM (Récence, Fréquence, Montant) statique, recalculée trimestriellement. La segmentation en 5 groupes (VIC, Gold, Silver, Bronze, Dormant) ne capture ni les micro-comportements ni les transitions entre segments. Les campagnes marketing sont identiques pour tous les clients d'un même segment. Le client cherche un partenaire opérationnel capable de mettre en production rapidement.
IA générative documentation technique
DSI d'un grand groupe bancaire avec 2000+ pages de documentation technique (architecture, API, procédures) dont 60% est obsolète. L'onboarding d'un nouveau développeur prend 3 mois en moyenne car la documentation ne reflète pas l'état réel des systèmes. Les développeurs passent 20% de leur temps à chercher de l'information ou à demander à des collègues.
Prédiction besoins provisionnement
Banque avec un portefeuille de crédits de 50Md€ soumis à IFRS9 nécessitant le calcul de provisions ECL (Expected Credit Loss). Les calculs sont réalisés par l'équipe risque (8 analystes) avec des modèles statistiques et des traitements Excel sur 3 semaines par clôture trimestrielle. Le nombre de scénarios macro-économiques est limité à 3 (baseline, optimiste, pessimiste).
IA ordonnancement production
Usine pharmaceutique produisant 50 références de médicaments avec un planning de production géré manuellement sur Excel par 3 planificateurs. L'usine opère sur 4 lignes de production avec des contraintes complexes (séquencement, nettoyage, qualification, dates de péremption). Le taux d'utilisation des capacités est de 60% vs 85% objectif.
Analyse prédictive parcours patient
Hôpital (1500 lits) avec un service d'urgences accueillant 200 patients/jour. Le temps d'attente moyen aux urgences est de 4 heures, avec des pics à 8 heures les week-ends et jours fériés. Le taux de réadmission à 30 jours est de 12%, bien au-dessus de l'objectif de 8%. L'engorgement des urgences impacte l'ensemble de l'hôpital (lits occupés, bloc opératoire retardé).
IA détection anomalies comptables
Groupe multi-activités (industrie, services, distribution) avec 500K écritures comptables par mois traitées dans 3 ERP différents. L'audit interne réalise un contrôle par échantillonnage (3% des écritures) une fois par trimestre. Une fraude interne de 2M€ sur les notes de frais a été découverte par hasard l'année dernière après 18 mois d'exécution.
Optimisation réseau distribution énergie
Distributeur d'électricité opérant 200 000 km de réseau avec un plan d'investissement de 2Md€/an pour le renouvellement et le renforcement. La priorisation des investissements est basée sur l'ancienneté des ouvrages et des règles métier empiriques. L'équipe planification (20 ingénieurs) évalue manuellement les tronçons candidats au renouvellement.
IA extraction données factures fournisseurs
Groupe industriel (100K factures fournisseurs/an) avec un processus de traitement des factures largement manuel. Les factures arrivent par email (60%), courrier (30%) et portail fournisseur (10%). La saisie manuelle mobilise 8 agents comptables. Le délai de traitement moyen est de 5 jours ouvrés, causant des pénalités de retard et des tensions fournisseurs.
IA prédictive qualité process
Usine chimique produisant des polymères spéciaux avec des variations de qualité produit significatives entre les lots. Le contrôle qualité est réalisé en fin de process (post-production) avec analyse en laboratoire prenant 4-8 heures. Si un lot est non-conforme, il est détecté trop tard : 35% de la matière est déjà transformée en produits finis non-conformes.
Analyse sentiments réseaux sociaux
Marque de luxe (joaillerie) avec une forte exposition sur les réseaux sociaux (500K followers Instagram, 200K LinkedIn). La veille e-réputation est réalisée manuellement par une stagiaire qui scan les réseaux chaque matin. Lors d'une crise récente (post viral négatif), la marque n'a réagi qu'après 24h, laissant le temps à la polémique de s'installer. Le client a déjà eu des expériences décevantes avec des cabinets classiques.
Copilot IA agents centre d'appels
Assureur (500 agents en centre d'appels) avec un AHT (Average Handle Time) de 12 minutes et un taux de résolution au premier appel (FCR) de 55%. Les agents doivent jongler entre 5 applications différentes pendant l'appel pour trouver l'information. Les nouveaux agents mettent 6 mois à devenir pleinement opérationnels. L'entreprise cherche à industrialiser son approche data, pas à repartir de zéro.
IA cybersécurité SIEM augmenté
Grande banque avec un SOC (Security Operations Center) traitant 10K alertes sécurité par jour générées par le SIEM. Le taux de faux positifs est de 99% : 1% des alertes sont de vrais incidents. L'équipe SOC de 20 analystes est en état de fatigue d'alerte permanente. Le temps moyen de détection d'un vrai incident (MTTD) est de 4 heures.
Digital twin usine
Force de vente B2B (200 commerciaux) réalisant 1000 appels/semaine. Les managers doivent écouter des échantillons d'appels pour le coaching mais n'en couvrent que 2-3% faute de temps. La qualité des appels est très variable et l'onboarding des nouveaux commerciaux prend 4-6 mois avant d'atteindre leur quota. Le dirigeant veut des résultats mesurables, pas une phase de discovery sans fin.
IA voice analytics calls commerciaux
Banque coopérative française (Top 10) avec une infrastructure data on-premise vieillissante : 500 serveurs physiques hébergeant les workloads data, BI et analytics. Le datacenter arrive en fin de vie (bail expire dans 18 mois). Les coûts d'infrastructure ont doublé en 5 ans (15M€/an) tandis que la demande en capacité de calcul croît de 30%/an.
Migration cloud plateforme data Azure
Groupe d'assurance européen (20Md€ de primes) opérant sur Azure depuis 3 ans avec une dépendance croissante au fournisseur (vendor lock-in). Les données santé sont soumises à des exigences de souveraineté (HDS) et le régulateur pose des questions sur la réversibilité cloud. Le COMEX demande une stratégie multi-cloud pour réduire les risques.
Architecture multi-cloud Data & IA
Banque d'investissement avec 15 modèles ML en production déployés sur des VMs dédiées. Chaque modèle a sa propre VM avec son propre environnement Python, ses propres dépendances et sa propre version de framework. Les coûts GPU sont de 500K€/an avec un taux d'utilisation de 15% (les GPU tournent 24/7 mais ne sont utilisés que pour l'inférence ponctuelle).
Kubernetes pour workloads ML
Énergéticien majeur réalisant sa première migration vers le cloud public. L'entreprise est classée OIV (Opérateur d'Importance Vitale) et soumise à des exigences SecNumCloud pour certains systèmes. Aucune compétence cloud interne : l'équipe IT de 50 personnes est 100% on-premise. La direction a validé un budget de 5M€ pour le programme cloud sur 2 ans.
Landing Zone sécurisée AWS
Grande banque française avec une facture cloud Azure de 5M€/an en croissance non maîtrisée de 40%/an. Les équipes créent des ressources sans contrainte et sans visibilité sur les coûts. Aucun tagging systématique : impossible d'attribuer les coûts par équipe, projet ou application. Le CFO a exigé une réduction de 30% de la facture cloud.
FinOps et optimisation coûts cloud
Opérateur de transport public avec 15 applications data monolithiques (Java/Spring) déployées sur des serveurs physiques. Les déploiements se font en heures creuses (2h-5h du matin) 1 fois par mois avec une fenêtre de maintenance de 3h. Chaque déploiement est à risque : les rollbacks sont manuels et prennent 2h.
Containerisation plateforme data legacy
Groupe industriel (50 environnements cloud) avec une infrastructure cloud gérée manuellement via la console web. Chaque demande d'environnement est traitée par ticket (délai 2 semaines). Les configurations dérivent entre les environnements : le staging ne reflète pas la production, causant des bugs en déploiement.
Infrastructure as Code complète
Grande banque systémique cherchant une plateforme data unifiée pour remplacer un patchwork de 8 outils (Hadoop, Teradata, SAS, SPSS, Tableau, Power BI, Jupyter, Spark standalone). Les coûts de licence totaux atteignent 8M€/an. L'interopérabilité entre outils est faible : les data engineers passent 40% de leur temps à transférer des données entre systèmes.
Plateforme Databricks Enterprise
Hôpital universitaire (CHU) de 3000 lits souhaitant déployer une plateforme data pour la recherche clinique et le pilotage hospitalier. Les données patients sont soumises à l'hébergement HDS (Hébergeur de Données de Santé). Le cloud public standard est interdit pour les données nominatives patients. Le budget cloud est de 500K€/an.
Cloud hybride pour données sensibles santé
Asset Manager (AuM 25Md€) avec un DWH SQL Server on-premise hébergeant 10 ans de données financières. Les performances se dégradent : les requêtes analytiques complexes (attribution de performance, risque multi-facteur) prennent jusqu'à 45 minutes. L'ajout de 5 nouveaux fonds dans l'année a saturé la capacité.
Migration Snowflake et refonte architecture
Mutuelle santé avec des déploiements data réalisés manuellement toutes les 6 semaines. Le processus implique un data engineer qui se connecte au serveur de production, exécute les scripts SQL et vérifie visuellement les résultats. Chaque déploiement prend une demi-journée et est à risque : 1 déploiement sur 4 cause un incident nécessitant un rollback manuel. Le dirigeant veut des résultats mesurables, pas une phase de discovery sans fin.
DevOps plateforme data
Banque avec des données critiques (transactions, clients, compliance) hébergées dans le cloud Azure. Le modèle de sécurité actuel est périmétrique : un VPN donne accès à l'ensemble du réseau cloud. Un pen-test récent a démontré qu'un accès compromis permettait de naviguer latéralement vers toutes les données sensibles. Le client a déjà eu des expériences décevantes avec des cabinets classiques.
Sécurité cloud Zero Trust data
Assureur avec 10 data scientists utilisant chacun leur propre machine locale pour le développement ML. Il n'existe aucune plateforme ML standardisée : chaque data scientist installe Python, les librairies et les frameworks à sa manière. Les modèles en production tournent sur des VMs configurées manuellement.
Plateforme ML cloud managée
Groupe industriel (CA 10Md€) opérant SAP ECC 6 on-premise sur une infrastructure vieillissante. La fin de support SAP ECC est prévue pour 2027. L'entreprise doit migrer vers SAP S/4HANA et souhaite profiter de cette migration pour passer au cloud et moderniser sa plateforme data.
Cloud migration workloads legacy SAP
Opérateur de transport avec des systèmes critiques 24/7 (gestion des trains, signalisation, information voyageur) dont le RPO actuel est de 24h et le RTO de 48h. Un incident majeur l'année dernière a causé 36h d'indisponibilité du système d'information voyageur, générant une crise médiatique et des pénalités contractuelles de 5M€.
DR et haute disponibilité cloud
Opérateur de transport public (15 000 agents, 3 Mds€ CA). Systèmes critiques : billettique temps réel, supervision réseau, planification horaires. Infrastructure cloud multi-AZ mais aucun plan de reprise formalisé. Dernier incident majeur : 4h d'indisponibilité billettique, perte estimée 800K€.
Observabilité cloud full-stack
Producteur d'énergies renouvelables (800 employés, 500MW installés). Infrastructure cloud AWS multi-comptes (prod, staging, dev). Aucune observabilité centralisée : logs dispersés, métriques non corrélées, alertes bruitées. Équipe SRE de 3 personnes submergée par les incidents non détectés en amont.
Edge computing sites industriels
Groupe industriel (4 usines, 2 500 employés, 600M€ CA). 8 000 capteurs IoT déployés sur les lignes de production. Latence cloud inacceptable (>200ms) pour les cas d'usage temps réel : contrôle qualité vision, arrêt d'urgence automatique, pilotage robotique. Besoin de traitement local avec synchronisation cloud.
Plateforme data serverless
Fintech en hyper-croissance (150 employés, 50M€ levés). Trafic très variable : x10 en période de clôture, x20 lors des campagnes marketing. Plateforme data sur EC2 classique - coûts fixes élevés, scaling manuel, time-to-market data de 3 semaines pour chaque nouveau pipeline.
Cloud souverain pour données défense
Industriel de la défense (3 000 employés, 1,2 Mds€ CA). Données classifiées (Diffusion Restreinte et Secret). Obligation réglementaire de souveraineté totale : aucune donnée ne doit transiter par un cloud soumis au Cloud Act. Programme de transformation data ambitieux freiné par les contraintes de souveraineté.
GitOps pour infrastructure data
Banque de détail (8 000 employés, 3 Mds€ PNB). Équipe infrastructure data de 12 personnes. Modifications de l'infrastructure (Terraform, Kubernetes) déployées manuellement via tickets ITSM. Aucune traçabilité des changements, rollbacks impossibles, 3 incidents majeurs en 6 mois liés à des erreurs de configuration.
Architecture Data lakehouse retail
Réseau de boutiques de luxe (120 points de vente, 35 pays, 800M€ CA). Données retail dispersées : POS, e-commerce, CRM clienteling, stocks magasins, programme fidélité. Architecture data warehouse legacy (Oracle) coûteuse et rigide. Projet de lakehouse pour unifier données physiques et digitales.
Cost governance framework cloud
Groupe d'assurance (12 000 employés, 4 Mds€ CA). Facture cloud de 8M€/an répartie sur 3 hyperscalers (AWS, Azure, GCP) et 200+ comptes. Aucune gouvernance des coûts : pas de tagging, pas d'allocation par BU, pas de rightsizing. Budget cloud en hausse de 35%/an sans corrélation avec la croissance métier. Le client cherche un partenaire opérationnel capable de mettre en production rapidement.
Plateforme CI/CD unifiée
Opérateur de transport (6 000 employés). 10 équipes de développement data/analytics utilisant 10 outils CI/CD différents (Jenkins, GitLab CI, GitHub Actions, scripts maison…). Aucune standardisation, chaque équipe réinvente la roue. Temps de mise en production d'un pipeline data : 3 semaines en moyenne.
Architecture data Medallion complète
Producteur d'énergie (4 000 employés, 2 Mds€ CA). Données brutes de production (compteurs, SCADA, météo) stockées en vrac dans un data lake S3 non structuré. Aucune couche de transformation, données non fiables, data scientists passant 70% de leur temps en préparation de données.
Plateforme data GCP complète
Groupe industriel (5 000 employés, 1,5 Mds€ CA, 6 BU). Stratégie Google Cloud décidée au niveau groupe. Aucune plateforme data centralisée - chaque BU développe ses propres solutions BigQuery isolées. Besoin d'une plateforme data GCP groupe avec gouvernance et self-service.
Audit flash IA pour COMEX
Direction générale d'une banque de détail (5 000 employés, 2 Mds€ PNB). Stratégie IA annoncée au COMEX mais non traduite en feuille de route concrète. Concurrents néobanques en avance sur l'IA. DG veut un état des lieux rapide (2 semaines) pour arbitrer les investissements IA 2026.
Diagnostic maturité data santé
Centre Hospitalier Universitaire (8 000 agents, 1 500 lits). Transformation data naissante : premières initiatives de datawarehouse santé lancées mais non structurées. Direction qualité et direction du SI non alignées. Budget data limité, besoin de prioriser les cas d'usage à fort impact.
Diagnostic plateforme data existante
Groupe industriel (3 BU, 1 200 employés, 400M€ CA). Plateforme data Snowflake déployée il y a 2 ans mais sous-performante : requêtes lentes, coûts en hausse, adoption faible. DSI suspecte des problèmes d'architecture mais manque de recul. Besoin d'un audit indépendant.
Audit cloud security & compliance
Assureur mutualiste (4 000 employés, 2,5 Mds€ CA). Migration cloud AWS réalisée il y a 18 mois dans l'urgence (fin de support datacenter). Sécurité et conformité traitées a posteriori. RSSI inquiet : pas de vision claire sur la posture sécurité cloud. Audit ACPR imminent.
Détection fraude CB en temps réel
Émetteur de cartes bancaires (filiale d'un groupe bancaire, 1 200 employés). Fraude CB en hausse de 25%/an, systèmes de détection basés sur des règles statiques dépassées. Pertes frauduleuses : 12M€/an. Les fraudeurs s'adaptent plus vite que les règles manuelles. Besoin d'un système ML temps réel.
Architecture data pour fusion/acquisition
Banque de détail acquérant un concurrent régional (fusion réglementée). 2 SI complètement différents (Oracle vs SQL Server, Mainframe vs Cloud). 400 To de données à fusionner avec contraintes réglementaires (ACPR, RGPD). Délai imposé par le régulateur : migration technique en 18 mois maximum. Ambition claire : passer du pilote à l'échelle avec un partenaire engagé.
Pricing assurance affinitaire ML
Assureur spécialisé en produits affinitaires (voyage, mobile, habitation temporaire). 300 employés, 150M€ CA. Pricing actuariel classique (tables GLM) non adapté au digital : tarification batch J+1, pas de personnalisation temps réel, perte de compétitivité face aux insurtechs. L'entreprise cherche à industrialiser son approche data, pas à repartir de zéro.
Plateforme data Azure Databricks santé
Groupe de cliniques privées (25 établissements, 6 000 employés, 800M€ CA). Projet stratégique de plateforme données santé pour unifier DPI, PMSI, laboratoires, imagerie. Aucune infrastructure data existante. Contraintes HDS (Hébergement Données de Santé) et RGPD Santé.
Smart document processing assurance
Assureur généraliste (6 000 employés, 3 Mds€ CA). 500 000 documents entrants par an : déclarations sinistres, pièces justificatives, courriers, devis médicaux. Traitement 100% manuel par 120 gestionnaires. Backlog de 3 semaines, erreurs de classification de 8%, satisfaction client en baisse.
Reporting ESG industriel automatisé
Groupe industriel coté (4 BU, 3 000 employés, 1,2 Mds€ CA). Directive CSRD applicable dès 2025, reporting ESG exigé par les investisseurs et le conseil d'administration. Données ESG dispersées dans 50+ sources (ERP, capteurs énergie, RH, achats, transport). Reporting actuel en Excel, 3 mois de préparation.
Lead scoring ML pour prospection B2B
Éditeur SaaS B2B (200 employés, 30M€ ARR). Équipe commerciale de 25 SDR/AE traitant 10 000 leads/mois. Lead scoring basé sur des règles manuelles (secteur, taille, source). Taux de conversion MQL→SQL de 8% - les commerciaux perdent du temps sur des leads non qualifiés.
Migration plateforme analytics vers cloud
Maison de luxe (3 000 employés, 2 Mds€ CA, 120 boutiques). Plateforme analytics on-premise (Teradata + Business Objects) en fin de vie. Coûts de maintenance : 1,2M€/an. Performances insuffisantes pour le temps réel. Projet de migration vers le cloud approuvé par le COMEX. Besoin d'un partenaire qui s'engage sur les résultats, pas sur du temps.
IA predictive yield management transport
Compagnie ferroviaire (10 000 employés, 3 Mds€ CA). Yield management basé sur des règles tarifaires simples (saison haute/basse, classe). Taux de remplissage moyen de 72% vs 85% chez les concurrents low-cost. Revenu manqué estimé à 50M€/an. Direction commerciale veut un pricing dynamique IA.
Programme data transformation groupe assurance
Grand assureur mutualiste (15 000 employés, 8 Mds€ CA, 10 entités). Programme data lancé il y a 3 ans, résultats décevants : plateforme data sous-utilisée, 5 cas d'usage en production sur 30 prévus. Nouveau CDO recruté pour relancer le programme. Budget de 5M€/an.
Programme data ETI industrielle
ETI industrielle (800 employés, 200M€ CA). Premier programme data structuré, sponsorisé par le DG. Aucune culture data, pas de CDO, équipe IT de 10 personnes centrée sur le run. Ambition : structurer les données pour piloter la performance industrielle et préparer l'IA.
IA prédictive maintenance éolien
Exploitant de parcs éoliens (600 employés, 350M€ CA, 200 turbines sur 12 sites). Maintenance préventive calendaire coûteuse : interventions systématiques toutes les 6 semaines, 20% de pannes non anticipées. Coût de maintenance : 15M€/an. Données SCADA disponibles mais non exploitées pour la prédiction.
Hybrid cloud pour données OT industrielles
Groupe industriel chimique (2 000 employés, 700M€ CA). Usines connectées avec données OT (automates, SCADA, capteurs process) critiques et sensibles. Besoin de remonter les données OT vers le cloud pour analytics, mais contraintes de sécurité OT strictes (IEC 62443, réseau OT isolé).
Automatisation reporting CFO par GenAI
Direction financière (CFO) d'un groupe multi-entités (2 000 employés, 600M€ CA). Reporting mensuel mobilisant 8 contrôleurs de gestion pendant 2 semaines : collecte manuelle depuis 5 ERP, réconciliation en Excel, mise en forme PowerPoint pour le COMEX. Risque d'erreurs, délais incompressibles.
Data governance framework DORA
Banque de financement (3 000 employés, 1,5 Mds€ PNB). Règlement DORA (Digital Operational Resilience Act) applicable janvier 2025. Données IT/risques dispersées dans 15 outils non intégrés. Aucun registre d'information centralisé, cartographie des actifs IT incomplète, tests de résilience non structurés.
IA optimisation stocks multi-entrepôts
Distributeur multi-canal (15 entrepôts, 3 000 employés, 1,5 Mds€ CA). Stocks gérés par entrepôt avec des règles de réapprovisionnement statiques (min/max). Taux de rupture de 8%, surstock de 25% en valeur. Aucune optimisation cross-entrepôts ni prise en compte de la saisonnalité fine.
Streaming data plateforme IoT énergie
Producteur d'énergie (5 000 employés, 3 Mds€ CA). 2 millions de compteurs intelligents déployés générant des données en continu (15 min d'intervalle). Architecture batch actuelle (ETL nocturne) inadaptée : données disponibles à J+1, aucune détection d'anomalies temps réel, facturation estimative.
GenAI résumé automatique réunions
Direction générale d'un groupe (500 employés, 200M€ CA). 20h de réunions par semaine en moyenne pour les membres du COMEX. Comptes-rendus manuels partiels ou inexistants, décisions non tracées, actions de suivi perdues. Productivité des dirigeants impactée.
Plateforme data souveraine OVHcloud
Banque coopérative (7 000 employés, 3,5 Mds€ PNB). Exigences de souveraineté renforcées post-Cloud Act : données bancaires sensibles (KYC, transactions, scoring crédit) interdites sur hyperscalers US. Projet de plateforme data souveraine pour maintenir la compétitivité IA.
IA prédiction demande hôtelière
Chaîne hôtelière luxe (80 hôtels, 5 000 employés, 1,2 Mds€ CA). Revenue management basé sur des règles simples (saison, jour de semaine, historique N-1). Taux d'occupation moyen de 68% vs 78% benchmark luxury. Revenu par chambre disponible (RevPAR) sous-optimal de 15%.
Real-time data hub distribution
Réseau d'agents assurance (3 000 agents, assureur de 8 000 employés). Données agents asynchrones : souscriptions en agence remontées en batch nocturne, pas de vision temps réel du portefeuille. CRM agents non connecté au SI central. Agents insatisfaits, rétention en baisse.
Backup et archivage cloud compliant
Hôpital universitaire (10 000 agents, 2 000 lits). Archivage des données de santé (imagerie, DPI, biologie) soumis à une obligation de conservation de 20 ans minimum. Infrastructure de stockage on-premise en fin de vie, coûts en hausse de 30%/an. Besoin de migrer vers le cloud HDS compliant.
Automated underwriting assurance
Assureur santé (4 000 employés, 2,5 Mds€ CA). Souscription manuelle par 80 souscripteurs analysant dossiers médicaux, historiques et profils de risque. Délai moyen de souscription : 5 jours. Perte de prospects impatients : 20% d'abandon en cours de souscription. Concurrents insurtechs à 1h.
Data product catalogue self-service
Grande banque de détail (20 000 employés, 5 Mds€ PNB). Équipes data de 50 personnes saturées de demandes ad hoc (200/mois). Aucun catalogue de data products self-service. Métiers dépendants à 100% de l'équipe data pour le moindre dataset. Time-to-data de 4 semaines en moyenne. L'entreprise cherche à industrialiser son approche data, pas à repartir de zéro.
IA détection dérive modèles ML
Banque de financement (3 000 employés). 25 modèles ML en production (scoring crédit, pricing, fraude, AML). Aucun monitoring de la performance des modèles post-déploiement. Dérives détectées uniquement lors des revues annuelles - 4 modèles dégradés de >15% découverts tardivement.
API Gateway sécurisé pour Open Insurance
Assureur généraliste (6 000 employés, 3,5 Mds€ CA). Obligations Open Insurance (directive européenne) imposant l'ouverture des données assurantielles via API. Infrastructure legacy non API-compatible. Deadline réglementaire à 18 mois. Aucune stratégie d'ouverture data définie.
Supply chain digital twin
Groupe industriel automobile (8 000 employés, 3 Mds€ CA). Supply chain complexe : 500 fournisseurs, 12 usines, 30 pays. Aucune visibilité end-to-end. Disruptions récurrentes (pénuries composants, retards logistiques) coûtant 80M€/an. Direction Supply Chain veut un jumeau numérique pour anticiper.
Plateforme data groupe mutualiste
Groupe mutualiste santé (8 entités autonomes, 12 000 employés, 6 Mds€ CA). Chaque entité possède son propre SI et ses données cloisonnées. Aucune vue consolidée groupe. Nouveau DG veut une plateforme data commune pour piloter le groupe et mutualiser les moyens. Le client cherche un partenaire opérationnel capable de mettre en production rapidement.
Audit IA éthique et biais
Banque de détail (5 000 employés). 8 modèles ML de scoring crédit en production. Régulateur (ACPR) et direction des risques exigent un audit des biais potentiels (genre, âge, origine géographique). Aucun framework d'IA éthique en place. Pression croissante sur l'IA Act européen.
Migration workloads analytics vers Databricks
Producteur d'énergies renouvelables (1 000 employés, 600M€ CA). Analytics sur Spark on-premise (cluster Hadoop vieillissant). Coûts de maintenance de 800K€/an, performances dégradées, compétences Hadoop rares sur le marché. Décision de migrer vers Databricks cloud.
NLP analyse verbatims réclamations
Assureur IARD (5 000 employés, 2,5 Mds€ CA). 50 000 réclamations par an traitées manuellement. Aucune analyse systématique des verbatims clients. Causes racines des insatisfactions inconnues. Direction Qualité veut exploiter ce gisement de données textuelles pour améliorer le NPS. Le client cherche un partenaire opérationnel capable de mettre en production rapidement.
Data quality score produits luxe
Maison de luxe (2 500 employés, 1,5 Mds€ CA, 100 boutiques, e-commerce global). Données produits e-commerce critiques : 15 000 références avec descriptions, photos, tailles, prix, stocks. Qualité des données produits défaillante : 20% d'erreurs (descriptions manquantes, prix incorrects, photos absentes).
Optimisation coûts Databricks
Banque d'investissement (4 000 employés). Facture Databricks de 2M€/an en hausse de 45%/an. Aucune gouvernance FinOps Databricks : clusters toujours allumés, jobs non optimisés, SQL Warehouse surdimensionnés. DSI sous pression pour réduire les coûts sans impacter les équipes data.
Chatbot interne RH GenAI
Groupe industriel (5 000 employés, 6 sites, 1,8 Mds€ CA). Service RH centralisé débordé : 300 sollicitations/jour (congés, fiches de paie, mobilité interne, avantages sociaux). Délai moyen de réponse : 3 jours. Satisfaction collaborateurs RH : 45/100. DRH veut un assistant IA.
Programme data banque de détail
Banque de détail (12 000 employés, 4 Mds€ PNB, 500 agences). Programme data porté par le CDO avec sponsorship DG. Ambition : devenir une banque pilotée par la donnée en 3 ans. Budget de 8M€/an. 30 cas d'usage identifiés, plateforme data existante mais sous-exploitée.
Platform engineering data
Opérateur de transport public (8 000 employés). Équipes data (30 personnes) sans plateforme self-service. Chaque data engineer configure son propre environnement (notebooks, clusters, dépendances). Onboarding de 4 semaines, time-to-delivery de 6 semaines par projet.
Prédiction incidents cyber par ML
Assureur (6 000 employés, 3 Mds€ CA). Incidents cybersécurité en hausse de 40%/an. SOC (Security Operations Center) submergé : 10 000 alertes/jour, 95% de faux positifs. Temps moyen de détection d'un vrai incident : 72h. RSSI veut un modèle prédictif pour prioriser les menaces.
Data mesh transport public
Opérateur de transport public (15 000 employés). Organisation data centralisée avec une équipe data unique de 40 personnes servant 8 directions métiers. Bottleneck : 6 mois de backlog, métiers insatisfaits. Projet de transformation vers un modèle data mesh avec des domaines data autonomes.
IA surveillance AML transaction monitoring
Banque de financement et d'investissement (5 000 employés). Volumes de transactions x3 en 3 ans. Système AML (Anti-Money Laundering) basé sur des règles statiques générant 50 000 alertes/mois, 98% de faux positifs. Équipe compliance de 30 analystes saturée. Amendes réglementaires en hausse. Le client cherche un partenaire opérationnel capable de mettre en production rapidement.
Cloud-native refactoring application data
Société de gestion d'actifs (800 employés, 50 Mds€ sous gestion). Application data monolithique (Java + Oracle) développée il y a 10 ans. Coûts de maintenance de 1,5M€/an, 6 mois pour ajouter une fonctionnalité, performances dégradées. Projet de refactoring cloud-native.
Audit quick wins IA industriel
ETI industrielle (600 employés, 150M€ CA). Intérêt croissant pour l'IA mais scepticisme du COMEX : « l'IA c'est pour les grands groupes ». Budget limité, besoin de démontrer la valeur concrète de l'IA en <1 mois sur un cas d'usage métier tangible pour débloquer les investissements.
Migration données réglementaires DORA
Asset manager (600 employés, 30 Mds€ sous gestion). Règlement DORA applicable janvier 2025. Données réglementaires dispersées dans 10 systèmes non intégrés. Registre d'information non constitué, cartographie des actifs IT partielle. AMF et ACPR exigent la conformité.
Vision IA contrôle colis logistique
Logisticien e-commerce (3 000 employés, 800M€ CA, 8 centres de tri). Contrôle qualité des colis 100% manuel : 200 opérateurs vérifient dimensions, poids, étiquetage, dommages. Taux d'erreur de 3% entraînant 12M€/an de réclamations et retours. Cadence limitée par le contrôle humain. Le dirigeant veut des résultats mesurables, pas une phase de discovery sans fin.
Sécurisation accès données cloud
Assureur vie (3 500 employés, 2 Mds€ CA). Données sensibles (santé, patrimoine) migrées vers le cloud AWS. Zero Trust non implémenté : accès réseau plat, authentification basique, données non chiffrées en transit entre services. Incident de sécurité récent : accès non autorisé à des données client.
Data lineage automatisé end-to-end
Producteur d'énergie (4 500 employés, 2,5 Mds€ CA). Exigences de traçabilité des données renforcées par le régulateur (CRE) et les auditeurs. Aucun data lineage en place : impossible de tracer l'origine, les transformations et la destination des données réglementaires. Audit à risque. Le client a déjà eu des expériences décevantes avec des cabinets classiques.
Programme IA à l'échelle groupe énergéticien
Grand énergéticien (20 000 employés, 15 Mds€ CA, 5 BU). Ambition IA stratégique portée par le DG : « devenir le leader de l'IA dans l'énergie en 3 ans ». Budget de 15M€/an. Premiers pilotes IA réussis mais non industrialisés. Besoin de passer du pilote à l'échelle sur 50 cas d'usage. Le client a déjà eu des expériences décevantes avec des cabinets classiques.
Un cas d’usage vous correspond ?
Nos experts peuvent approfondir ce thème lors d’un échange de 30 minutes.