Introduction

Derrière chaque solution basée sur les données se trouve une compréhension profonde à la fois de la technologie et des défis auxquels les entreprises sont confrontées. Chez Agilytic, le co-fondateur Christophe Robins s'appuie sur un riche parcours en mathématiques appliquées et en intégration de données. Après avoir terminé ses études en mathématiques appliquées à l'UCL, il a commencé chez Deloitte, où il s'est concentré sur les implémentations CRM (gestion de la relation client) et a découvert le pouvoir de relier diverses sources de données pour améliorer la productivité et les insights clients. Plus tard, il a rejoint un grand fournisseur de télécoms, se plongeant dans le data mining pour comprendre ce qui motive la rétention, la fidélité et l'attrition.

Voyant comment des barrières d'entrée plus faibles pourraient bénéficier à des entreprises au-delà des grandes entreprises, Christophe et son collègue Julien ont fondé Agilytic avec un seul principe directeur : résoudre de vrais problèmes avec des solutions pragmatiques basées sur les données. Ils ont rapidement découvert que de nombreux problèmes commerciaux sont mieux résolus par des solutions simples — parfois, aucun algorithme avancé n'est nécessaire — tandis que d'autres nécessitent l'application minutieuse d'analyses ou d'IA.

Dans notre podcast, Christophe partage comment Agilytic reste pragmatique dans un paysage de l'IA en évolution rapide, pourquoi se concentrer sur l'adoption est aussi important que de construire le bon modèle, et quels types de projets font vraiment la différence.

Qu'est-ce qui distingue Agilytic des autres ?

Christophe : Notre première étape est toujours, « D'accord, quel problème essayez-vous de résoudre ? » Je vois tant de cabinets de conseil dire, « Vous avez besoin d'une plateforme de données — commençons par là. » Nous ne sommes pas d'accord. Si la solution consiste simplement à automatiser deux fichiers Excel et à joindre les données, faisons-le. Nous sommes pragmatiques. Parfois, cela signifie pas d'algorithmes inutilement complexes — juste la bonne solution pour le problème.

Nous nous distançons du 'buzz' selon lequel l'IA doit être appliquée partout. Vous voulez être sûr qu'elle est réellement nécessaire et ajoute de la valeur. Le pragmatisme et la véritable résolution de problèmes définissent Agilytic. Si la solution la plus simple résout votre problème, nous l'utiliserons. Des solutions trop compliquées peuvent causer des maux de tête à long terme.

Comment faites-vous face aux développements rapides de l'IA ?

Des choses comme ChatGPT, Deepseek, Llama, ou d'autres modèles open source évoluent fréquemment. Nous les surveillons de près mais attendons avant de plonger. Nous recherchons une stabilité prouvée et un réel retour sur investissement. La grande tendance que je vois est des outils de plus en plus spécialisés et accessibles pour des tâches spécifiques — assistance au codage, classification de documents, service client, et ainsi de suite.

Il y a aussi un grand changement dans l'open source. Des modèles comme Deepseek et Llama ont initié une vague d'innovation open source. Maintenant, les organisations pèsent le pour et le contre de l'utilisation d'un service payant comme ChatGPT ou d'héberger leur propre modèle en interne pour éviter les frais de licence. Oui, il y a un coût en infrastructures, mais vous pouvez mieux le prévoir et garder vos données plus sécurisées.

L'état d’esprit « suiveur intelligent » d’Agilytic garantit que l'équipe adopte de nouveaux outils une fois qu'ils ont prouvé leur valeur dans de véritables scénarios clients.

Quelles grandes catégories de projets Agilytic gère-t-elle ?

Nous voyons trois piliers principaux :

1. Performance commerciale : Rétention, fidélité et marketing. Nous aidons les entreprises à optimiser la manière dont elles conservent et développent leur clientèle, en combinant les données internes avec des informations publiques pour des profils plus riches.

2. Efficacité opérationnelle : Automatisation des tâches répétitives, réduction des erreurs humaines, ou accélération des processus. Cela peut inclure la vérification des factures, le traitement des plaintes, ou même l'optimisation de la logistique — comme commander des pneus sous des contraintes complexes.

3. Performance financière : Consolidation des données pour des rapports plus clairs, rapprochement de systèmes différents, ou détection de fraudes. Nous avons construit des accélérateurs pour détecter les falsifications de documents et signaler les transactions suspectes.

Comment vous assurez-vous que les solutions sont réellement adoptées ?

Une solution jamais utilisée est une perte de temps et d'argent. Nous impliquons les équipes du client dès le premier jour — IT, parties prenantes commerciales, utilisateurs finaux. Si c'est une solution de reporting, nous voulons voir comment les gens l'utiliseront. Si c'est un modèle prédictif, nous voulons savoir qui agira sur ses prévisions.

Impliquer les utilisateurs réels tôt signifie qu'ils sont plus susceptibles de faire confiance au produit final. Nous organisons également le déploiement de manière à ce qu'il respecte les standards IT de l'entreprise. Vous pouvez avoir un modèle brillant sur l'ordinateur portable d'un data scientist, mais si vous ne pouvez pas l'intégrer dans le flux de travail quotidien, c'est inutile.

Agilytic suit son propre état d’esprit ADOPT pour maîtriser l'ampleur du projet, réussir le déploiement, et garder les parties prenantes engagées du début à la fin.

Y a-t-il des histoires de succès préférées à partager ?

Une qui se distingue est une optimisation de commande de pneus pour une société de leasing. Deux fois par an, ils passent de grosses commandes de pneus impliquant plusieurs groupes de marques, différents rabais, et contraintes — beaucoup trop compliqué pour être résolu manuellement. Nous avons construit un modèle en trois semaines, et cela leur a permis d’économiser €100,000 dès la première utilisation. Depuis, il fonctionne deux fois par an depuis quatre ou cinq ans, générant des économies de manière constante.

Un autre exemple : nous avons assigné des tâches quotidiennes à un back office de plus de 600 employés. En quelques semaines, nous avions une preuve de concept. Les utilisateurs ont donné leur avis, nous avons itéré, et cela a fini par économiser l'équivalent de deux postes à temps plein en temps de planification seulement. De plus, les employés ont apprécié que nous prenions en compte leurs préférences. C'est un double succès : des économies de coûts et des équipes plus heureuses.

Les deux illustrent l'accent mis par Agilytic sur des améliorations mesurables grâce à l'analytique ciblée et au développement itératif.

Des réflexions finales pour les leaders explorant des projets de données ?

Tout d'abord, ne tombez pas dans le piège du battage médiatique. L'IA ne résout pas magiquement chaque problème. Commencez par lister les défis que vous rencontrez. Lesquels pouvez-vous vraiment résoudre en utilisant des données ? Est-ce des plaintes clients, un goulot d'étranglement de production, ou un problème récurrent de facturation ?

Deuxièmement, ne vous laissez pas emporter par de nouveaux systèmes massifs. Un petit projet pilote peut rapidement montrer une réelle valeur et un retour sur investissement. Vous apprenez quelle technologie et quelles personnes vous avez besoin, puis vous évoluez à partir de là.

Troisièmement, obtenez l'engagement des parties prenantes de votre projet. Les projets de données ont besoin d'adhésion et de clarté dès le premier jour, sinon vous risquez de construire des solutions que personne n'adopte.

Écouter ou planifier un appel

• Envie d'en savoir plus ? Écoutez l'épisode complet du podcast et découvrez comment Agilytic guide les entreprises des données à un impact réel.

• Prêt à démarrer votre propre projet de données? Planifiez un appel avec nous. Nous parlerons de vos défis, nous trouverons comment les données peuvent aider, et nous construirons quelque chose qui offre vraiment des résultats.