Efficacité Opérationnelle
Développement d'un chatbot analytique sur Databricks pour réduire la dépendance à l'équipe data
Dans de (trop) nombreuses organisations, les utilisateurs métier restent fortement dépendants des équipes data pour des questions simples et récurrentes, créant des goulots d'étranglement qui ralentissent la prise de décision. Agilytic a accompagné un acteur majeur du self-stockage pour réduire cette dépendance grâce au développement d'un chatbot analytique, donnant aux utilisateurs métier un accès en langage naturel à leur entrepôt de données.
Pour protéger la confidentialité, nous pouvons modifier certains détails tout en préservant l'essence de notre contribution principale.
Contexte et objectifs
Chez un acteur majeur du self-stockage opérant des centaines de sites à travers l'Europe, les utilisateurs métier dépendaient fortement de l'équipe data pour les demandes ad hoc, limitant leur capacité à accéder et analyser les données business de façon autonome. Cela créait des goulots d'étranglement dans la prise de décision et freinait les efforts de démocratisation des données.
L'objectif était de réduire cette dépendance grâce au développement d'un chatbot analytique, connecté directement à l'entrepôt de données existant de l'entreprise.
Le projet visait à :
Livrer une preuve de concept fonctionnelle dans un périmètre limité et bien défini
Permettre à un groupe restreint d'utilisateurs d'interroger les données business en langage naturel, quel que soit leur background technique
Produire une documentation complète pour accompagner la solution dans la durée
Approche
1. Sélection technologique
Après avoir comparé plusieurs options techniques, Agilytic a recommandé une solution directement intégrée à la plateforme de données existante du client. Ce choix équilibrait le besoin du client de développer rapidement une preuve de concept avec la volonté de limiter la dépendance à un seul éditeur. Ils ont ainsi pu commencer à tester l'adoption en interne sans une configuration technique longue.
2. Construction itérative et affinement
La solution a été construite et affinée progressivement.
Un environnement de développement a été créé et connecté aux données business pertinentes.
Le chatbot a été affiné avec les métriques et filtres utilisés dans le reporting existant du client (une grande partie du contexte métier derrière les chiffres n'existant que dans ces rapports et non dans les données brutes elles-mêmes).
Un processus de déploiement automatisé a été construit, permettant à la solution de transiter fluidement entre les environnements de développement, de test et de production.
Compte tenu des contraintes de temps et de budget, l'équipe a délibérément privilégié la profondeur à l'étendue, en se concentrant sur deux domaines de données clés et en les enrichissant de métriques business supplémentaires, plutôt qu'en élargissant la couverture à de nombreuses sources de données.
3. Tests contrôlés
La solution incluait un mécanisme de feedback intégré, permettant aux utilisateurs d'évaluer les réponses et de laisser des commentaires, ce qui a soutenu une itération rapide sur la précision. Une fois le contexte métier sous-jacent correctement capturé, la précision des réponses a atteint un bon niveau. Les tests ont été menés avec un petit groupe d'utilisateurs, reflétant le périmètre de preuve de concept convenu avec le client.
Résultats
Quatre environnements de chatbot analytique couvrant le développement, les tests et la production, dont un explorant un domaine de données supplémentaire
Un processus de déploiement automatisé intégré au pipeline existant du client, pour faire transiter la solution fluidement entre les environnements
Une solution de transformation de données sur mesure pour répondre à un besoin d'analyse métier identifié en cours de projet
Une documentation complète pour soutenir la configuration et la maintenance futures
Pour garantir la confidentialité, nous modifions parfois certains détails dans nos études de cas.