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 Kestrel Vision, leader mondial des systèmes de contrôle et d’inspection industriels, dans la migration vers une plateforme cloud centralisée de supervision des données de production, intégrant des capacités avancées d’analyse, de visualisation et d’intelligence artificielle afin d’améliorer la prise de décision métier à grande échelle.Kestrel Vision conçoit et fournit des systèmes d’inspection automatisée pour la fabrication et le remplissage d’emballages rigides, opérant à l’échelle internationale avec des besoins forts de consolidation de données industrielles.Contexte du projet :Kestrel Vision souhaitait moderniser et unifier ses outils de supervision de production, qui jusqu’alors étaient cloisonnés par entité et difficiles à consolider. L’enjeu principal du projet était de migrer l’ensemble des solutions vers une architecture cloud scalable et centralisée, capable de traiter massivement les données industrielles tout en intégrant des fonctionnalités d’exploration et d’assistance par IA.Objectifs du projet :Migrer l’ensemble de l’écosystème de supervision vers le Cloud (Google Cloud Platform) pour garantir scalabilité, disponibilité et performance.Concevoir une plateforme unifiée de gestion des données de production consolidant les flux provenant de multiples usines et systèmes d’inspection.Intégrer des capacités d’analyse avancée et d’assistance IA conversationnelle pour faciliter l’accès à l’information en langage naturel.Assurer une continuité de service et une expérience utilisateur homogène pour les utilisateurs métiers.Défis techniques et organisationnels :Centraliser des volumes massifs de données industrielles issues de plateformes on-premise hétérogènes.Concevoir une architecture API-First flexible et sécurisée permettant l’évolution continue de la plateforme.Intégrer des workflows d’IA conversationnelle exploitables par les utilisateurs sans compétences techniques spécifiques.Approche de co-conception :Eurelis a accompagné Kestrel Vision sur l’ensemble du cycle de conception et de réalisation :Co-élaboration du cadrage fonctionnel et conceptuel de la plateforme.Architecture technique orientée cloud, data, API et IA.Développement backend en Python / FastAPI et frontend modulaire en React.Création d’un agent conversationnel IA via l’Agent Development Toolkit (ADK).Stratégie de prompting et évaluation de modèles LLM pertinents.Déploiement cloud et supervision sur Google Cloud Platform / Vertex AI.Solution technique et expertises mobilisées :La plateforme repose sur une architecture moderne et scalable :Backend en Python / FastAPI pour orchestrer les flux de données et les APIs métier.Data Storage via Google Bigtable pour traiter des volumes de données industriels massifs.Frontend modulaire React pour une interface personnalisable et rapide.IA conversationnelle (Gemini & ADK) intégrée pour interaction en langage naturel.Cloud & DevOps sur Google Cloud Platform et Vertex AI pour scalabilité et supervision.Expertises Eurelis mobilisées : architecture Cloud & Data, développement Python & React, ingénierie IA & LLM, DevOps Cloud, API design et sécurité.Résultats et bénéfices :Une migration réussie vers le cloud, garantissant disponibilité et montée en charge.Une centralisation des données industrielles issues de multiples sources pour analyses transverses.Une interface de supervision personnalisable adaptée aux besoins métiers.Une exploration de données en langage naturel accélérant la prise de décision.Une expérience utilisateur augmentée avec un agent IA capable de visualiser des indicateurs en réponse aux requêtes.Bénéfices clés pour Kestrel Vision : ✔ Centralisation des données industrielles pour développer des cas d’usage analytiques et prédictifs.✔ Scalabilité et performance accrues grâce au cloud.✔ Amélioration de la prise de décision par l’IA.✔ Expérience enrichie via l’assistant IA interactif.✔ Architecture API-First facilitant le déploiement de nouvelles fonctionnalités.

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

Pour une gestion client plus simple et automatisée Digitallia, spécialiste des solutions personnalisées en intelligence artificielle, a accompagné un cabinet d’architecture de renom établi en Auvergne Rhône Alpes, reconnu pour ses projets résidentiels et commerciaux haut de gamme. Ce cabinet souhaitait optimiser la phase de conception afin d’accélérer la production tout en offrant des designs innovants et parfaitement adaptés aux attentes de sa clientèle. Défis rencontrés : La phase de conception prenait du temps et exigeait de nombreuses itérations. L’introduction d’innovations rapides présentait une difficulté, sans pour autant augmenter la charge de travail des architectes. La personnalisation était complexe en raison de la variété des exigences clients et des contraintes réglementaires à prendre en compte. Objectif : Utiliser l’intelligence artificielle générative afin de générer rapidement des concepts de projets intégrant critères esthétiques, durabilité et exigences techniques. Solutions mises en place : Mise en œuvre d’un modèle 3D génératif pour réaliser très rapidement des concepts architecturaux (plans, façades, perspectives intérieures). Possibilité pour les architectes de paramétrer divers éléments : surface, style, choix des matériaux, contraintes budgétaires, pour une personnalisation optimale des résultats générés. Simulations et analyses automatisées dédiées à l’évaluation de la consommation d’énergie et des coûts. Déploiement d’une interface collaborative permettant aux architectes de modifier, ajuster et sélectionner les concepts générés selon des critères tels que les textures, les volumes ou l’aménagement. Résultats obtenus : Temps de création des concepts réduit de 40 %. Satisfaction client renforcée, grâce à la présentation de plusieurs alternatives personnalisées dès la phase initiale. Estimation budgétaire précise, facilitant la phase d’avant-vente. Une amélioration de la première version du POC reste envisageable pour certains types de biens. L’enrichissement de la base de données et une seconde version enrichie, intégrant davantage de fonctionnalités métier, sont prévus pour 2025. Conclusion La solution d’IA générative conçue par Digitallia permet au cabinet d’architecture de gagner en efficacité pendant la phase de production avant-vente, tout en apportant une valeur ajoutée à sa propre clientèle et en respectant les exigences de son secteur.