Consultants Big Data & BI à Paris (classement 2026)

Mission : Un acteur du secteur de la parfumerie souhaitait dépasser les limites des solutions AMDIS et Excel pour analyser ses données GC-MS et accélérer la reformulation de ses fragrances. Pour répondre à ce besoin, nous avons conçu une plateforme d’intelligence artificielle spécialement dédiée à la parfumerie. Celle-ci centralise les bibliothèques de molécules et matières naturelles, génère une formule globale polaire/apolaire, permet la superposition des chromatogrammes de marché et d’essai, et offre un module de redosage incluant des coefficients de réponse. Grâce à cette approche unifiée, analyse et reformulation sont désormais réunies au sein d’un même outil, sans utilisation de tableurs, avec une traçabilité totale et des données prêtes à alimenter des modèles d’IA. Ce projet démontre concrètement l’apport de l’IA appliquée au GC-MS dans l’évolution de la formulation de parfums et l’optimisation du travail des analystes. Problématique : Chez Parfumsplus, les équipes d’analyse travaillaient avec une succession d’outils non connectés — principalement AMDIS pour l’analyse GC-MS, et Excel pour la formulation et le redosage. Ce fonctionnement engendrait une perte de temps due aux ajustements manuels, un déficit de traçabilité des choix réalisés, ainsi qu’une impossibilité de standardiser les étapes de reformulation. Chaque analyste appliquait alors ses propres méthodes, avec un risque élevé d’erreurs ou d’incohérences. Objectifs : Le client visait à remplacer cette organisation morcelée par une plateforme unifiée capable de centraliser toutes les librairies de molécules et matières naturelles, de générer automatiquement une formule globale T/TA, d’intégrer un module de redosage basé sur des marqueurs et des coefficients de réponse, de comparer visuellement les essais par overlay des chromatogrammes et de constituer une base d’apprentissage robuste pour fiabiliser l’identification moléculaire. Solution livrée : Nous avons développé et déployé une plateforme IA métier spécialement pensée pour les analystes parfumeurs, intégrant un moteur d’identification basé sur Spec2Vec et NNLS, un chromatogramme interactif, une formule T/TA, un module de redosage intelligent, un overlay visuel, un système d’ajout manuel guidé, l’archivage des données et la possibilité d’ajouter prochainement de nouveaux modules IA. La plateforme, pleinement opérationnelle, est utilisée au quotidien et apporte une traçabilité intégrale ainsi qu’un gain de productivité significatif. Élimination complète d’Excel pour toutes les opérations, garantissant une traçabilité à 100 % Diminution du temps d’analyse jusqu’à 50 % pour le redosage et la comparaison des chromatogrammes grâce à l’automatisation IA Historisation de chaque ajout, sauvegarde continue des coefficients, création d’une base de données prête pour l’entraînement de modèles IA Zones de déploiement : Paris & Île-de-France, Grasse (06), Lyon et la région Auvergne-Rhône-Alpes, ainsi qu’un mode à distance pour les laboratoires installés en Europe. Témoignage client : « Nous avions besoin de sortir d’un fonctionnement artisanal basé sur AMDIS et Excel pour fiabiliser nos analyses GC-MS et accélérer nos reformulations. Koïno a rapidement compris nos enjeux métier et livré une plateforme claire, robuste et immédiatement exploitable. Le gain de temps est réel, le redosage est devenu maîtrisable, et chaque ajout est désormais traçable. C’est un outil que l’on utilise au quotidien. »

Contexte et enjeux Notre client, une maison de vente aux enchères de renom, devait relever d’importants défis dans la gestion et l’exploitation de ses données. Son système informatique, devenu obsolète, ne permettait pas d’analyser efficacement les ventes, les objets proposés et les interactions avec la clientèle. Les principaux obstacles identifiés étaient : Traitement manuel long et fastidieux : Les équipes consacraient énormément de temps à la collecte et à la structuration des données, ralentissant considérablement les processus. Fort risque d’erreurs humaines : L’absence de centralisation entraînait des écarts et des erreurs récurrentes dans les rapports. Difficulté d’analyse en temps réel : Les décisions s’appuyaient sur des données dépassées, limitant la réactivité de l’entreprise. Manque de tableaux de bord adaptés : Les équipes métiers disposaient de peu d’outils pour exploiter efficacement les informations recueillies. L’ambition était donc de mettre en place une Data Platform moderne, permettant une gestion performante des données et un accès en temps réel aux indicateurs clés de performance. Cette transformation devait se traduire par un gain de productivité substantiel et une amélioration notable des performances commerciales. La solution déployée Pour répondre aux attentes du client, notre équipe a conçu une Data Platform performante et évolutive sur Google Cloud Platform. Le projet a été mené selon une démarche structurée découpée en plusieurs étapes : 1) Ingestion et centralisation des données L’un des premiers enjeux était de rassembler toutes les données de l’entreprise dans un entrepôt de données moderne. Au départ, ces données étaient hébergées dans une base PostgreSQL sur Google Cloud SQL. Nous avons alors instauré un pipeline ELT (Extract, Load, Transform) afin d’extraire les données, de les charger dans BigQuery et de les transformer en informations exploitables. Technologies employées : BigQuery pour le stockage et le traitement des données à grande échelle. Points forts : Amélioration des performances, gestion optimisée des volumes et grande évolutivité. 2) Automatisation des calculs et indicateurs clés Le client souhaitait automatiser la mise à jour des KPIs tout en maîtrisant les coûts et en maximisant la performance. Nous avons déployé dbt (Data Build Tool) pour automatiser la transformation et le calcul des données. Fréquence des mises à jour : Trois fois par jour afin de répondre aux besoins métiers. Fiabilité des données : Les tests intégrés dans dbt assurent la validité des informations. Optimisation du développement : dbt favorise une collaboration efficace entre data engineers et équipes métiers. 3) Conception de tableaux de bord dynamiques et accessibles Après structuration des données, nous avons réalisé des tableaux de bord interactifs avec Looker Studio (anciennement Google Data Studio). Le but : offrir aux équipes une visualisation claire et exploitable des données. Conception conjointe avec les utilisateurs : Ateliers et interviews pour bien cerner les besoins. Formation et autonomie : Des sessions dédiées ont permis aux équipes de gagner en maîtrise sur les rapports. Accessibilité renforcée : Les tableaux de bord sont accessibles à tous, avec des droits différenciés selon les niveaux hiérarchiques. 4) Passage au temps réel pour plus de réactivité Certaines analyses nécessitaient un rafraîchissement quasi-immédiat des données, ce qui soulevait deux enjeux majeurs : Maîtrise des coûts : Rafraîchir trop fréquemment peut augmenter sensiblement la facture. Performance des requêtes : L’exécution devait être inférieure à une minute afin de garantir l’accès à des données actualisées. Pour répondre à ces défis, nous avons : Optimisé les requêtes BigQuery grâce à l’utilisation judicieuse d’index, de partitions et d’une gestion efficace des clusters. Réduit les coûts via la mise en place de stratégies de cache et de pré-calcul pour limiter les accès inutiles à la base de données. Adapté l’architecture de manière à exécuter rapidement les traitements selon les besoins métiers spécifiques. Les résultats obtenus : un impact business tangible 80 % de réduction du temps passé sur le traitement des données grâce à l’automatisation. Fiabilité des données renforcée, avec moins d’erreurs humaines. Optimisation des dépenses : Grâce à l’optimisation des requêtes et des traitements, les dépenses Cloud ont diminué de 35 %. Des tableaux de bord consultés quotidiennement par plus de cinquante collaborateurs, améliorant la rapidité et la qualité des prises de décision. Réactivité accrue lors des ventes aux enchères : L’accès instantané aux KPIs a permis aux équipes d’ajuster et d’optimiser leurs stratégies. Grâce à cette évolution, notre client profite désormais d’une infrastructure scalable, automatisée et performante, lui offrant un pilotage d’activité d’une précision sans précédent. Stack technique mise en place Cloud Provider : Google Cloud Platform (GCP) Orchestration et transformation : dbt Ingestion de données : CloudSQL avec PostgreSQL Data Warehouse : BigQuery Visualisation et reporting : Looker Studio

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.

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.

Comment Values Media a divisé par 3 son temps de reporting ? Autrefois, chaque nouveau client impliquait de longues heures passées à connecter manuellement des Sheets, à croiser diverses sources et à gérer des tableaux de bord peu fiables. Désormais, Values Media gère toutes ses opérations à partir d’une architecture centralisée, ce qui lui permet de gagner un temps considérable lors de la gestion de chaque campagne de communication pour ses clients. Contexte Auparavant, l’arrivée d’un nouveau client chez Values Media lançait un processus laborieux : il fallait extraire les données via Supermetrics, connecter manuellement des Google Sheets, croiser les informations, maintenir les connexions, naviguer entre différents fichiers pour ensuite finaliser le tout dans Looker Studio avec quelques ajustements. Ce mode de fonctionnement entraînait des onboardings lents, une visibilité partielle sur les campagnes et mobilisait les équipes sur des tâches accessoires au détriment du pilotage de la performance. Solution apportée Leur nouvelle infrastructure data a tout changé. La centralisation des données dans Big Query, combinée à l’ajout d’informations clients grâce à Airtable, leur permet de tout regrouper facilement. Les dashboards sont simples à mettre en place et le reporting s’est transformé en un véritable atout stratégique, et non plus en une contrainte. Résultats Ajout en toute autonomie de trois nouvelles dimensions d’analyse : suivi du budget global des campagnes, des objectifs et des différents leviers Fonctionnalités développées Extraction automatique des données Stockage centralisé au même endroit Mise à jour automatique des dashboards

Barnes International : Étude Marketing Automation Barnes International, agence immobilière de prestige, a été accompagnée dans l’étude et l’implémentation d’une solution de Marketing Automation. Ce projet a été mené en parallèle de la refonte de leur site internet et de la création de Barnes Data, leur datalake interne. L’objectif était d’optimiser la stratégie marketing de l’entreprise et de fluidifier ses processus opérationnels. Objectifs Revoir et redéfinir les personas marketing. Analyser et adapter le modèle de données Barnes Data. Recommander, sélectionner puis intégrer un outil adapté de Marketing Automation (Hubspot), et le synchroniser avec leur datalake. Optimiser et centraliser les workflows marketing pour rendre les processus plus efficaces. Défis Utilisation de multiples outils pour des actions marketing majoritairement manuelles. Difficultés de connexion entre Hubspot CRM et d’autres solutions. Assurer la cohérence des données à travers diverses plateformes. Gestion d’une base de 450 000 contacts répartis entre Brevo et des fichiers Excel. Nécessité de fusionner et redéfinir les personas afin d’assurer une segmentation optimale. Solutions apportées Mise en place d’un CRM Hubspot entièrement personnalisé. Connexion et synchronisation du CRM avec le datalake via Make. Définition et optimisation de plus de 20 workflows automatisés, représentant plus de 35 000 opérations mensuelles. Configuration d’un plan de tracking web pour affiner la mesure des performances. Unification et synchronisation des propriétés de contact et des bases de données. Rationalisation des campagnes publicitaires et des réseaux sociaux. Mise en place de sessions de formation dédiées aux équipes.