Cabinets de conseil Data en France (classement 2026)

Eurelis accompagne Mastrad, marque française reconnue d’ustensiles de cuisine innovants, dans la conception, le développement et l’industrialisation d’une application intelligente intégrant un algorithme prédictif de cuisson pour optimiser l’expérience utilisateur et renforcer la valeur ajoutée des produits connectés.Mastrad est une société française spécialisée dans les instruments de cuisine innovants, et notamment dans les solutions de contrôle de la température de cuisson destinées aux professionnels et aux particuliers.Contexte du projetDans le cadre du développement de nouvelles fonctionnalités pour ses produits connectés, Mastrad a confié à Eurelis la conception d’un algorithme prédictif de cuisson, capable d’estimer le temps restant de cuisson en fonction de différents paramètres (type d’aliment, méthode de cuisson, préférences utilisateur).Objectifs du projetConcevoir un modèle de Machine Learning fiable pour prédire les temps de cuisson restants.Intégrer cette intelligence dans une application métier robuste, scalable et adaptée aux contextes variés de cuisson.Déployer une infrastructure cloud capable de gérer l’entraînement, la supervision et la distribution du modèle.Optimiser les coûts et assurer la scalabilité grâce à des composants serverless.Défis techniques et organisationnelsExploiter des données hétérogènes issues de sondes culinaires pour constituer un modèle prédictif fiable.Concevoir une solution capable de s’adapter à une grande variété de cas de cuisson (viande, poisson, différentes méthodes et dispositifs).Mettre en place une architecture cloud scalable et résiliente, tout en garantissant simplicité d’intégration pour les applications clientes.Approche de co-création :Eurelis a travaillé en étroite collaboration avec les équipes Mastrad pour :Analyser et structurer les données remontées par les sondes culinaires.Concevoir un modèle de Machine Learning basé sur TensorFlow, entraîné puis supervisé via une infrastructure Cloud.Développer l’intégration backend pour permettre l’entraînement à la demande et la supervision de la qualité des prédictions.Solution technique et expertises mobiliséesLa plateforme s’appuie sur une combinaison d’expertises techniques modernes :Machine Learning & Algorithmie prédictive avec TensorFlow (Python).Infrastructure Cloud AWS pour orchestrer l’entraînement, la supervision et la distribution du modèle.Architecture backend scalable, exploitant des composants serverless pour optimiser la performance et les coûts.Application métier permettant la supervision et l’exploitation du système de prédiction.Résultats et bénéficesMise en place d’un modèle prédictif fiable, capable d’estimer avec précision les temps restants de cuisson dans des contextes variés.Infrastructure backend scalable permettant l’évolution continue des modèles et l’intégration dans les applications clientes.Optimisation des coûts via une architecture serverless adaptée aux variations de charge.Autonomie de Mastrad dans la supervision, l’entraînement et l’amélioration du modèle de prédiction.

Eurelis accompagne Société Générale, grande banque européenne de premier plan, dans la conception, le développement et le déploiement d’une application métier intelligente d’optimisation des rendez-vous destinée à améliorer l’allocation des ressources et la gestion des agendas tout en respectant des contraintes organisationnelles complexes.Société Générale est un groupe bancaire intégré majeur, présent à l’international et engagé dans des démarches de transformation digitale continue, notamment via l’exploitation d’algorithmes et de technologies innovantes afin d’améliorer l’efficacité opérationnelle de ses services.Contexte du projet :Dans un contexte où les flux de rendez-vous et de réunions doivent être gérés de manière efficace et conforme aux spécificités organisationnelles, la Société Générale a souhaité disposer d’une plateforme permettant de planifier automatiquement les créneaux tout en optimisant le taux de remplissage des agendas, évitant ainsi le recours à des call centers dédiés et anticipant l’évolution des règles métier.Objectifs du projet :Concevoir une application métier intelligente d’optimisation de planning.Permettre une allocation automatique des rendez-vous conforme aux contraintes organisationnelles.Optimiser le taux de remplissage des agendas tout en offrant une solution générique et adaptable.Réduire la dépendance à des services de support spécifiques (comme un call-center) pour la prise de rendez-vous.Défis techniques et organisationnels :Formaliser et intégrer les contraintes organisationnelles complexes dans un système automatisé.Concevoir une solution flexible, évolutive et applicable à différents contextes d’usage.Approche de co-conception :Eurelis a conduit ce projet en étroite collaboration avec les équipes internes de la Société Générale afin de comprendre les règles métier et les besoins spécifiques de planification. L’approche a reposé sur :La traduction des règles d’organisation en contraintes techniques exploitables.La conception d’une architecture capable de gérer intelligemment ces contraintes.Solution technique et expertises mobilisées :La plateforme développée par Eurelis repose sur une architecture Cloud moderne (Google Cloud) et des technologies sélectionnées pour leur scalabilité et leur performance :Backend Python (Flask) pour l’orchestration et la logique métier.DevOps et infrastructure serverless pour une flexibilité d’usage et une scalabilité optimisée.Conception UX/UI adaptée aux besoins des utilisateurs.Intégration Outlook via ICS pour synchronisation des agendas existants.Expertises mobilisées : définition de produit, conception UX/UI, maîtrise d’œuvre, développement backend & frontend, architecture et sécurité.Résultats et bénéficesUne solution d’optimisation des plannings intégrée capable de gérer automatiquement la prise de rendez-vous selon des contraintes variées.Flexibilité d’usage maximale grâce à l’architecture serverless et au déploiement Cloud.Une réduction significative du besoin en organisation manuelle et en support dédié pour la gestion des agendas.

Copernic souhaitait disposer d’une infrastructure data robuste afin de centraliser ses données Divalto, d’améliorer leur qualité et d’activer automatiquement leur envoi vers HubSpot.Grâce à une modernisation complète basée sur une stack moderne, Copernic bénéficie désormais d’un environnement unifié, évolutif et capable de supporter de nouveaux cas d’usage analytiques et CRM.Solution HyperstackContexteLes équipes Copernic manipulaient leurs données Divalto via des fichiers Excel exportés manuellement.Avec l’augmentation du volume d’activité, cette approche montrait ses limites :Traitements manuels lourds et difficilement maintenablesHétérogénéité des formats et faible cohérence des donnéesImpossible d’alimenter HubSpot avec des informations fiables et structuréesManque d’un socle analytique permettant des transformations automatiséesCes contraintes ralentissaient les processus internes et empêchaient l’automatisation des flux métiers.Solution apportéeHyperstack a conçu une architecture data moderne permettant de centraliser, transformer et activer les données Divalto :Centralisation des données dans OnelakeUn data lake unifié pour structurer l’ensemble des données brutes Divalto.Modélisation et transformation via dbtStandardisation des règles métiers, création de modèles SQL et normalisation complète des tables.Versioning et fiabilisation via GitHubUne gestion claire des transformations, facilitant la maintenance et l’évolution future.Activation HubSpot automatiséeMise en place possible d’un pipeline d’envoi via n8n ou Google Cloud Function pour synchroniser les données prêtes à l’usage.RésultatsDonnées Divalto centralisées et fiabilisées dans un environnement uniqueTransformation standardisée grâce à un projet dbt structuréSynchronisation HubSpot activable sans manipulation ExcelRéduction massive du travail manuel et amélioration de la cohérence des donnéesArchitecture scalable, prête pour les futurs besoins analytiques de Copernic

Contexte de l’entrepriseDilivia Club représente une communauté novatrice dédiée à l’accompagnement des TPE/PME souhaitant optimiser la gestion de leur flotte de véhicules légers via des partenariats exclusifs. Les professionnels membres ont accès à des rapports détaillés, à divers avantages et à un réseau privilégié, ce qui leur permet de réduire les coûts liés à la mobilité, d’augmenter la sécurité des conducteurs et de rendre leur flotte plus écologique. Après plus d’un an de développement, Dilivia Club gère déjà plus de cent véhicules et s’appuie sur une équipe composée de cinq collaborateurs. L’entreprise ambitionne également de s’affirmer comme un acteur innovant dans le domaine de la mobilité durable.ChallengesAfin d’aider Dilivia Club à prendre des décisions stratégiques et opérationnelles en toute confiance tout en améliorant l’expérience de ses clients, nous avons accompagné les équipes Commerciales et Opérationnelles. Jusqu’ici, elles utilisaient principalement un système d’information rudimentaire et des tableurs Excel pour la gestion et le suivi des clients. Cependant, la croissance rapide de l’entreprise et l’augmentation des demandes clients ont révélé les faiblesses de ce fonctionnement, notamment un manque de réactivité et de flexibilité. Face à ce constat, plusieurs objectifs ont été fixés :Permettre l’accès à une information actualisée pour optimiser les prises de décision pendant tout le cycle d’acquisition et de vente.Moderniser et centraliser les outils afin de simplifier les opérations quotidiennes.Renforcer la réactivité et l’adaptabilité des équipes pour mieux satisfaire la demande croissante des clients, favorisant ainsi leur satisfaction et une maîtrise des coûts.SolutionsAprès une analyse approfondie des pratiques existantes, reposant sur des ateliers et des retours d’expérience, une stratégie opérationnelle ajustée a été conçue pour répondre aux spécificités du secteur.La mise en place du nouveau système d’information a permis d’introduire un outil interne centralisé, dédié aux équipes Commerciales, Service client et Opérations, offrant une gestion optimisée auprès des collaborateurs. Cet outil propose :Pilotage global des opportunités commerciales : gestion de l’acquisition, des cycles de vente, des comptes clients, du suivi documentaire et contractuel, des campagnes de prospection, de la qualification des prospects, de l’historique des interactions, et des retours ou objections clients.Gestion complète du parcours client : centralisation des données, suivi des échanges, alertes automatiques, planification des rendez-vous, système de ticketing, résolution des réclamations et gestion de la satisfaction.Gestion des opérations : planification des interventions, optimisation des ressources, portail collaboratif pour partenaires et sous-traitants, suivi de l’approvisionnement et des stocks, gestion des commandes, inventaires, organisation des expéditions et interventions techniques, gestion des rendez-vous et des non-conformités.Dans un second temps, une interface personnalisée a été conçue pour piloter les données stratégiques, permettant un suivi précis des indicateurs de performance liés à la prospection, la conversion de clients, la réalisation des interventions et la satisfaction client.Enfin, un système complet de gestion des connaissances a été créé grâce à l’élaboration d’une documentation complète des procédures et processus. Cette documentation, entièrement intégrée à l’interface, facilite l’intégration de nouveaux membres au sein des équipes.RésultatsL’optimisation des processus et l’amélioration de la réactivité ont fortement augmenté la recommandation du Dilivia Club par ses clients.La centralisation des données et l’évolution des outils ont nettement amélioré la satisfaction client.Les gains en flexibilité et en productivité ont permis de prévoir une croissance notable du nombre de clients accompagnés chaque mois.

Trop onéreux et insuffisamment flexible, Funnel.io ne répondait plus aux exigences de Ben&Vic. Désormais, ils conçoivent et répliquent les tableaux de bord adaptés à chaque client et à chaque contexte. Leur nouvelle stack data moderne leur offre agilité et rapidité dans la production de reportings sur-mesure pour leurs clients. Solution Hyperstack Avant la refonte de leur architecture data, Ben&Vic s’appuyait sur une solution comme Funnel.io : pratique pour centraliser les données, mais rapidement onéreuse et peu adaptable face à l’évolution des besoins et à la croissance du volume de données. En optant pour une data stack moderne, évolutive et agile, ils ont pu : Gagner en autonomie avec une infrastructure entièrement personnalisée. Accélérer l’accès à leurs données via des dashboards configurables instantanément. Ils bénéficient ainsi de prises de décision plus rapides, d’une maîtrise accrue de leurs budgets et de campagnes marketing performantes dès le premier contact. Une base solide pensée pour l’agilité, l’efficacité — et à terme, l’intégration de l’intelligence artificielle. Résultats Plus de 1200 Go de données analysées et actualisées chaque jour. Fonctionnalités développées Reportings facilement réplicables Analyses avancées entièrement personnalisées Suivi budgétaire en temps réel, par client Avis clients "Nous avons fait le choix d’Hyperstack pour déployer une infrastructure data moderne à moindre coût. Leur équipe nous a accompagnés dans la migration, la création de nouveaux rapports publicitaires et e-commerce pour nos clients, tout en divisant par dix nos frais liés aux outils." Benjamin Prévot Co-founder & COO

Problème Automatisation des données : informations dispersées L'absence d'automatisation empêche d’obtenir de la visibilité, multiplie les doublons et ralentit le traitement métier. Les équipes réalisent une consolidation manuelle de sources variées, ce qui dégrade la qualité des données et complique la prise de décision. Solution Pipeline IA pour automatiser la gestion des données Le projet implémente une infrastructure unifiée permettant de fiabiliser et enrichir la base alumni. Airbyte gère l’extraction des flux, BigQuery assure le stockage et dbt structure les jeux de données. GPT-4 catégorise les changements, Sentence-BERT élimine les doublons. Les APIs LinkedIn / Sales Navigator fournissent l’enrichissement en temps réel, et n8n automatise les mises à jour. Résultats Réduction des doublons Le taux de doublons est passé de 18 % à 0,8 %, validant l’efficacité du modèle d’embedding. Amélioration de la productivité La durée moyenne des mises à jour est passée de 20 minutes à 45 secondes via les webhooks LLM, économisant 36 heures par mois. Hausse de la fiabilité des profils La proportion de profils à jour a augmenté de 62 % à 95 %, selon un audit interne. Contexte IESEG administre une communauté de plus de 20 000 anciens élèves dont les carrières sont en constante évolution. Les services internes gèrent des sources multiples souvent en doublon, ce qui complique la consolidation des profils. L’automatisation vise à créer un référentiel partagé, fiable, accessible quasiment en temps réel. Problématique Données réparties dans plusieurs bases, absence de vision consolidée Multiplication des doublons et champs obsolètes Mises à jour lentes, réalisées manuellement Incapacité à détecter automatiquement les évolutions de poste Décisions retardées pour les équipes alumni et carrières Difficulté à mesurer l'impact et le retour sur investissement des actions réseaux Solution technique Stack intégrée : Airbyte pour l’extraction, BigQuery comme entrepôt, dbt pour le modeling, le tout sur Google Cloud. Collecte LinkedIn : utilisation d’un crawler maison et de l’API Sales Navigator ; classification en temps réel des changements de poste avec GPT-4 ; automatisation de la mise à jour via webhooks n8n (moins de 15 minutes). Nettoyage et déduplication : fusion automatique des doublons grâce à Sentence-BERT. Workflows IA : enrichissement sémantique via Vertex AI, contrôle qualité par Great Expectations, intégration PostgreSQL + Hasura GraphQL, dashboard Retool, alertes via Slack. Indicateurs clés Métrique cléAvantAprès Taux de doublons18 %< 1 % Profils à jour62 %95 % Temps de mise à jour20 min< 1 min Charge mensuelle de maintenance40 h homme4 h homme Délai de diffusion signaux carrière2 semaines15 min Fiabilité des données63 %95 % ROI projet (économies/an)—× 4,2 La modernisation a permis de réduire considérablement les doublons, accélérer les mises à jour quasi instantanées et libérer une semaine-homme mensuelle pour les équipes carrières. Désormais, la base unifiée garantit une fiabilité de 95 % des données, ce qui favorise la personnalisation des programmes alumni et la prospection. La surveillance automatisée des changements alimente un système d’alertes utilisé par trois services internes. IESEG dispose ainsi d’un référentiel robuste, conforme au RGPD et prêt à être étendu à d’autres populations étudiantes. Pipeline data versionné pour auditer chaque transformation. Règles qualité automatiques en continu. Déclenchement automatique des mises à jour à chaque détection de changement. Mise à jour semestrielle des embeddings pour optimiser la déduplication. Prochains développements prévus : validation blocking, extension des intégrations LinkedIn, scoring prédictif, audit RGPD, et gouvernance multi-entités.

Département concerné : 💸 Finance & administratif Situation initiale : ⚠️ Un suivi commercial et financier réalisé manuellement Résultats clés : ✅ Mise en place et intégration de Pennylane et Hubspot, création de tableaux de bord KPIs consultables en temps réel, notifications automatiques envoyées via Slack, élaboration de nouveaux processus et documentation opérationnelle. 📊 Optimisation du temps de travail et amélioration de la communication entre les équipes commerciale, comptable et opérationnelle. Possibilité de suivre l'activité instantanément.

Contexte Notre client met au point une solution pour digitaliser la gestion énergétique et technique des biens immobiliers. En s’appuyant sur une plateforme Big Data couplée à l’IoT, il propose à ses clients une optimisation avancée des performances aussi bien système qu’environnementales. Traitant plusieurs centaines de gigaoctets issus de capteurs, l’entreprise avait besoin d’une infrastructure solide, capable de fournir des analyses embarquées en temps réel tout en préservant une expérience utilisateur fluide et intuitive. Enjeux Proposer des analyses instantanées des données IoT afin de permettre une gestion précise des consommations énergétiques. Offrir une expérience utilisateur optimale en mettant à disposition un tableau de bord personnalisé, intuitif et ergonomique pour chaque client. Gérer efficacement de grands volumes de données tout en maintenant performance et rapidité. Garantir la robustesse et la scalabilité de l’infrastructure face à l’augmentation croissante des flux de données. La solution Notre démarche s’est articulée autour d’étapes structurantes pour répondre aux objectifs du client : Définition de l’architecture cloud data Après une analyse approfondie des besoins métiers et des attentes relatives aux données, nous avons conçu une architecture évolutive et performante. Le choix s’est porté sur ClickHouse, célèbre base de données colonne pour sa rapidité et son efficience dans le traitement de requêtes analytiques de grande envergure sur des flux en streaming. Mise en œuvre des pipelines d’ingestion Des pipelines dédiés à l’ingestion des données IoT ont été déployés avec Apache Airflow afin d’assurer l’orchestration du traitement des flux en temps réel. Les données issues de MongoDB sont déclenchées par des triggers, traitées, stockées sur AWS S3, puis transférées dans ClickHouse. Transformation et modélisation des données Une fois collectées, les données suivent différentes phases de stockage : Données RAW : elles sont normalisées, dédupliquées et mises en qualité, avec une politique de rétention adaptée. Entrepôt de données (warehouse) : gestion de l’historique, du versionnement et intégration avec d’autres référentiels. Datamarts : création de tables segmentées par client, favorisant une analyse détaillée des usages. Développement de tableaux de bord interactifs Après transformation des données, nous avons créé une interface intuitive pour restituer l’information à travers Cumul.io. Les clients consultent en temps réel leurs indicateurs de consommation énergétique afin de superviser et piloter efficacement leurs actifs. Résultats obtenus Accès à des analyses IoT en temps réel, favorisant des décisions plus éclairées. Un cockpit adapté à chaque utilisateur, simplifiant le suivi et l’amélioration des consommations. Une plateforme performante et évolutive, capable de gérer de larges volumes de données sans perte de performance. Une forte amélioration de l’ergonomie, grâce à des interfaces intuitives et adaptées aux besoins des clients. Stack technique Base de données : ClickHouse Orchestration : Apache Airflow Stockage : AWS S3 Ingestion de données : MongoDB, Python, SQL Visualisation : Cumul.io