Les meilleures agences Data Vizualisation en France

Nous développons pour la société Turboself un algorithme de prédiction de l’affluence dans les cantines scolaires basé sur un modèle de séries temporelles, permettant de réduire le gaspillage alimentaire.Description du projetTurboself commercialise des solutions matérielles et logicielles à destination des établissements scolaires (4 500 clients en France) : ces solutions sont utilisées quotidiennement par 1.5 millions d’utilisateurs. Turboself a sollicité Galadrim afin de développer un modèle de prédiction de l’affluence dans les cantines, dédié à la réduction du gaspillage alimentaire (30 000 à 40 000€ de pertes par an dans les collèges/lycées selon l’ADEME).Fonctionnalités pharesTravaux de recherche et d’analyse des données : données d’affluence historique de tous les collèges et lycées, données Meteo France, données de présence / absence des professeurs, données des menus (traitement du langage naturel).Entraînements du modèle Prophet (développé par Meta), optimisations itératives.Stack techniqueProphetNumPyPandasPython

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.

En tant que Personal Shopper passionnée, Amélie Cheval dévoue son amour pour la mode pour créer des expériences shopping inoubliables. Elle propose des services de relooking sur-mesure à Toulouse. Son rôle est d'accompagner les femmes à reprendre confiance en elles.Amélie comprend les styles uniques de ses clients, et les aide à trouver des tenues qui reflètent parfaitement leur personnalité. Sa connaissance approfondie pour les tendances actuelles fait d'elle la personne idéale pour briller dans le monde de la mode.Connue depuis plus de 7 ans sur Instagram, elle collabore avec de nombreuses marques essentiellement liées à l'univers de la mode. Elle y partage ses looks vestimentaires ainsi que ses inspirations.Faites de chaque séance shopping une aventure personnalisée avec Amélie Cheval !

Alsatis Entreprises est une société qui se spécialise dans les solutions Internet pour les particuliers et les professionnels depuis 2004.Elle est composée de différentes entités (Alsatis Réseaux et Alsatis Télécom) qui travaillent ensemble dans les domaines des réseaux de télécommunications fixes et mobiles ainsi que du numérique.Alsatis Entreprises se concentre sur le développement continu de ses compétences pour offrir des solutions performantes à ses clients.

Appie est une entreprise qui commercialise ses produits via plusieurs canaux (retail physique, e-commerce, marketplaces, B2B). Pour soutenir sa croissance, la direction commerciale cherchait à consolider l'ensemble de ses données de vente dans une vision unifiée permettant de piloter la performance au quotidien.

Gestion du site internet : Gestion mensuelle du site internet : hébergement, maintenance, problèmes techniques, intégration de contenu, suivi des KPI, etc.Optimiser le référencement naturel : Création et mise en place d'une stratégie SEO pour positionner le site web en haut des résultats des moteurs de recherche (Google).

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

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.