La plupart des entreprises ont beaucoup de données et très peu de réponses. Les ventes sont dans l’ERP, les leads dans le CRM, les demandes clients dans les e-mails et les messageries, les dépenses publicitaires dans les régies. Pour savoir pourquoi le chiffre d’affaires a baissé dans une région ou quels produits sont le plus souvent retournés, un manager sollicite un analyste et attend son export. Parfois une journée, parfois une semaine.
L’IA appliquée à l’analyse de données raccourcit ce chemin : on pose une question en langage courant, et le système trouve les bonnes tables, fait le calcul et affiche la réponse avec la façon dont elle a été obtenue. Voyons ce que l’analytique IA sait réellement faire pour une entreprise, comment elle se construit, où elle se trompe et comment lancer un pilote sans prise de risque inutile.
Ce que l’IA sait faire en analyse de données
Derrière le terme « analytique IA » se cachent plusieurs usages bien distincts. Mieux vaut les séparer, car chacun a sa propre méthode de contrôle et son propre coût d’erreur.
Interroger ses données en langage naturel
C’est le scénario le plus visible. Un manager tape : « Combien de commandes avons-nous reçues de Lyon en octobre, et comment le panier moyen se compare-t-il à septembre ? » Le modèle comprend la question, repère les bonnes tables, écrit une requête SQL, l’exécute et répond par des chiffres, un tableau ou un graphique.
Point essentiel : c’est la base de données qui calcule, pas le modèle. Un modèle de langage excelle à transformer une question en requête, mais il est mauvais pour additionner de tête des milliers de lignes. La réponse repose donc sur le résultat réel de la requête, et non sur une estimation du modèle.
Reporting automatisé et synthèses
Les rapports récurrents, comme le point hebdomadaire sur les ventes, les stocks ou le support, peuvent être produits automatiquement. Les chiffres sont calculés selon des règles fixes, et le modèle rédige un court commentaire : ce qui monte, ce qui baisse, ce qui mérite l’attention. La synthèse arrive par e-mail ou sur Slack avant le début de la journée.
Ici, l’IA ne remplace pas le rapport, elle fait gagner du temps à la lecture. Le manager voit les trois évolutions majeures et ouvre le tableau complet s’il en a besoin.
Détection d’anomalies
Un pic soudain de retours sur un produit, des commandes avec des remises inhabituelles, une chute de conversion dans une région, des paiements en double. Les anomalies elles-mêmes sont repérées par des règles statistiques classiques et des modèles de machine learning, tandis que le modèle de langage aide à expliquer le constat en termes simples et à rassembler le contexte : quelles commandes, quel commercial, depuis quel jour.
Exploiter les données textuelles
Avis clients, tickets de support, notes des commerciaux dans le CRM, réponses aux enquêtes : ce sont aussi des données, simplement non structurées. Le modèle les classe par thème, détecte la tonalité et fait ressortir les réclamations récurrentes. Le texte devient un tableau qu’on peut compter : combien de tickets liés à la livraison ce mois-ci, quels motifs d’insatisfaction progressent.
D’où viennent les données : connecter les sources
L’analyse de données par IA commence comme toute démarche analytique : par l’accès aux données. Dans une entreprise de taille moyenne, les sources typiques sont les suivantes :
- ERP ou logiciel de gestion. Ventes, stocks, achats, règlements.
- CRM. Affaires, pipeline, activité des commerciaux, motifs de perte.
- Site et publicité. Web analytics, comptes publicitaires, formulaires envoyés.
- Support et retours clients. Tickets, chats, avis sur les marketplaces et les cartes en ligne.
- Tableurs. Objectifs, budgets et référentiels qui vivent dans Excel et Google Sheets.
Brancher le modèle directement sur la base de production de l’ERP ou du CRM est généralement une mauvaise idée. Mieux vaut exporter les données selon un calendrier vers un entrepôt analytique séparé : les requêtes ne ralentissent pas le système opérationnel, et les données de différentes sources peuvent être croisées. Les données d’ERP sont le cas le plus fréquent et le plus laborieux, car chaque entreprise a sa propre configuration, avec ses développements spécifiques et ses référentiels.
Nos développeurs prennent en charge l’intégration ERP de bout en bout, y compris les adaptations côté ERP quand les données nécessaires ne figurent pas dans les objets standards.
La couche de description des données : sans elle, l’IA devine
C’est la partie la plus sous-estimée du projet. La base contient une table doc_sales avec les champs sum, sum_vat, status et type. Une personne extérieure ne saurait pas quel montant utiliser ni quels statuts comptent comme une vente. Le modèle non plus, mais contrairement à un humain, il ne posera pas la question. Il choisira quelque chose de plausible.
Un modèle écrit des requêtes exactement aussi précises que la description de vos données et de vos indicateurs.
C’est pourquoi on place entre le modèle et la base une couche de description, souvent appelée couche sémantique. On y consigne :
- Le contenu de chaque table et les liens entre les tables.
- La définition des indicateurs : comment se calculent le chiffre d’affaires, la marge, le panier moyen et le churn, et ce qui compte comme un retour.
- Les règles métier : quels statuts de commande inclure, comment traiter les annulations, les commandes de test et les transferts internes.
- Les synonymes : « CA », « ventes » et « chiffre d’affaires » désignent-ils la même chose chez vous, ou des notions différentes ?
- Les référentiels : régions, agences, familles de produits, responsables de comptes.
Pour les indicateurs les plus utilisés, mieux vaut ne pas laisser le modèle écrire la requête de zéro et lui fournir des formules testées. Une question comme « quel est le CA du trimestre » s’appuie alors sur la définition validée, et le chiffre correspond à celui de la direction financière. Un indicateur, une seule définition dans toute l’entreprise : c’est rentable même sans IA.
Vérifier les réponses et gérer les droits d’accès
L’analytique IA n’a d’intérêt que si l’on peut se fier à la réponse. Et la confiance se construit par la transparence, pas par les promesses : l’utilisateur doit voir comment le chiffre a été obtenu.
- Afficher la requête et les paramètres. Sous chaque réponse : la période, les filtres, les indicateurs utilisés, et la requête elle-même pour ceux qui savent la lire.
- Demander une précision en cas d’ambiguïté. « Les ventes du mois dernier » : par date de commande ou par date d’expédition ? Un bon système pose la question au lieu de trancher en silence.
- Valider la requête avant de l’exécuter. Lecture seule, aucune modification des données, limites de volume et de temps d’exécution.
- Comparer à des références. Un jeu de questions tests aux réponses connues est relancé après chaque changement de données ou de configuration.
- Recueillir les retours. Un bouton « réponse incorrecte » avec un champ de commentaire, traité par le responsable des données.
Les droits d’accès obéissent à la même règle que dans n’importe quel système d’entreprise : chacun ne voit que ses propres données. Un directeur d’agence voit son agence, un commercial ses clients, et les salaires ne sont visibles que de ceux qui doivent les voir. La restriction est posée au niveau des données : la requête de l’utilisateur reçoit automatiquement les bons filtres, et les tables protégées sont tout simplement inaccessibles. On ne peut pas compter sur le modèle pour « choisir de ne pas répondre » à une question délicate.
Reste la question de la destination des données. Si vos analyses portent sur des données personnelles de clients ou des informations confidentielles, cela pèse sur le choix du modèle et sur votre conformité au RGPD : service cloud ou modèle déployé sur les serveurs de l’entreprise.
Où l’IA se trompe et comment le contrôler
En analytique, les erreurs d’un modèle sont plus dangereuses que dans la rédaction d’un e-mail : un chiffre faux a l’air tout aussi convaincant qu’un chiffre juste. Mieux vaut connaître à l’avance les défaillances typiques.
| Erreur | À quoi elle ressemble | Ce qui aide |
|---|---|---|
| Mauvais indicateur | CA TTC au lieu de HT, commandes comptées avec les annulations | Des définitions d’indicateurs prêtes dans la couche de description |
| Mauvaise jointure | Les totaux doublent quand on joint les commandes à leurs lignes | Des relations documentées, des questions tests |
| Mauvaise période | « Le mois dernier » compris comme les 30 derniers jours | Afficher explicitement la période, poser une question de précision |
| Conclusion inventée | Le modèle explique une baisse sans aucune donnée sur les causes | Séparer les chiffres de l’interprétation, signaler les hypothèses |
| Données sales | Clients en doublon, champs vides, villes orthographiées de plusieurs façons | Nettoyage à l’export, référentiels |
La dernière ligne mérite une attention particulière. Si un même client est saisi trois fois dans le CRM sous des noms différents, ni un analyste ni un modèle ne calculeront correctement son chiffre d’affaires. Les projets d’analytique IA commencent souvent par mettre au jour des problèmes dans les données elles-mêmes, et c’est un effet secondaire bienvenu.
Pour les décisions qui engagent de l’argent (budgets, prix, primes), la réponse de l’IA reste un point de départ. Tout chiffre sur lequel repose une décision doit être recoupé avec un rapport ou vérifié grâce à la requête affichée.
Comment lancer un pilote
Construire d’emblée une analytique IA pour toute l’entreprise coûte cher et prend du temps. Un pilote sur un périmètre restreint montre en quelques semaines si l’approche fonctionne sur vos données.
- Choisir un service et des questions. Par exemple, le service commercial et vingt à trente questions que les managers posent régulièrement aux analystes. Plus elles sont précises, mieux c’est.
- Choisir une ou deux sources. Souvent l’ERP et le CRM. Le reste se branche une fois les fondations solides.
- Décrire les données et les indicateurs. Avec ceux qui produisent les rapports aujourd’hui, on fixe les définitions et les règles métier. C’est l’étape la plus importante.
- Constituer un jeu de tests. Des questions dont on connaît la bonne réponse, y compris des questions pièges et ambiguës.
- Réaliser un prototype. Export vers un entrepôt, couche de description, interface web ou messagerie, requête affichée sous chaque réponse, droits d’accès.
- Le confier à un petit groupe et analyser les erreurs. Quelques semaines d’usage réel, étude des mauvaises réponses, mise à jour des descriptions.
- Décider de la suite. Étendre à d’autres services et sources, ajouter des synthèses automatiques, ou s’en tenir à ce qui fonctionne déjà.
Techniquement, un tel pilote est un petit service web avec des intégrations, et nous le menons comme nos autres projets : d’abord comprendre les processus et les données, ensuite concevoir et développer. En tant qu’agence digitale à Paris, nous développons des services web et intégrons l’IA dans les entreprises ; vous trouverez des exemples parmi les projets de Sphere, agence de développement web.
Pour qui, et qui devrait attendre
L’IA pour l’analyse de données apporte le plus là où les données sont abondantes, les questions fréquentes et les analystes trop peu nombreux. Les signes que le moment est venu :
- Les managers attendent régulièrement des exports pour répondre aux mêmes types de questions.
- Un analyste ou un développeur consacre une part notable de son temps à des rapports ponctuels.
- Un important flux de retours textuels n’est lu par personne de façon systématique.
- Des données issues de plusieurs systèmes doivent être rapprochées à la main dans Excel.
Si la saisie est partielle, que chaque service calcule ses indicateurs à sa manière et que les données sont éparpillées dans des tableurs, commencez non par un modèle mais par la remise en ordre de vos données et la construction d’un entrepôt unique. L’IA pourra ensuite s’appuyer sur des fondations solides et répondre plus juste.
Questions fréquentes
Peut-on simplement charger un export dans ChatGPT ?
Pour une analyse ponctuelle sur un petit tableau anonymisé, oui. Pour un usage régulier, non : un service grand public ne connaît pas vos définitions d’indicateurs, ne respecte pas les droits d’accès, et y déposer des données clients ou des informations confidentielles est souvent interdit par la politique de sécurité de l’entreprise. Une analytique IA en production se connecte à vos sources et calcule selon vos règles.
Est-ce le modèle qui calcule les chiffres ?
Il ne devrait pas. Le modèle traduit la question en requête, et c’est la base de données qui fait le calcul. Le modèle met ensuite le résultat en forme et rédige l’explication. Les chiffres sont donc exacts, et leur origine se vérifie grâce à la requête affichée.
L’IA peut-elle analyser les données de notre ERP ou de notre logiciel de gestion ?
Oui, c’est même l’un des cas les plus courants. Les données de l’ERP sont exportées à intervalles réguliers vers un entrepôt analytique séparé, où on peut les croiser avec le CRM et les autres sources. Si les données utiles ne figurent pas dans les objets standards du logiciel, il faut prévoir quelques développements côté ERP.
Que faire si l’IA donne une réponse fausse ?
Signaler la réponse comme erronée. Le responsable des données examine la requête et trouve la cause, le plus souvent un indicateur mal documenté ou une règle métier implicite, puis l’ajoute à la couche de description. La question rejoint le jeu de tests pour que l’erreur ne revienne pas.
L’IA va-t-elle remplacer les analystes ?
Non, mais elle va transformer leur métier. Les questions de routine et les synthèses récurrentes passent au système, tandis que l’analyste décrit les données et les indicateurs, contrôle la qualité des réponses et se consacre aux sujets qui demandent une vraie investigation plutôt que du comptage.




