Club Med, leader mondial des resorts Premium depuis plus de 70 ans
Fondé en 1950, Club Med est aujourd’hui le pionnier du tourisme Premium all-inclusive. Derrière l’excellence de l’expérience client se cache une organisation data en pleine mutation. Migration vers le cloud, déploiement d’une Data Factory sur Google Cloud Platform (GCP), ambition d’intégrer le Machine Learning et l’IA générativeQu'est-ce que l'IA Générative ? L'IA Générative est une sous-branche de l'IA. Elle se concentre sur la création de nouveaux contenus (textes, images, vidéos...) à partir des données d'entraînement. Les modèles d'IA générative sont capables de générer de nouvelles données similaires au... More au cœur des opérations.
| Présence internationale | Patrimoine data | Clients par an | Volume d’affaires |
|---|---|---|---|
|
+ 60 pays
|
+ 5,6 Mds
|
1,4 M
|
+2 Mds €
|
Le défi : rendre les données accessibles à tous, sans une ligne de SQL
Avant la Data Factory, l’architecture data de Club Med reposait sur un Data WarehouseQu’est-ce qu’un Data Warehouse ? Dans un monde où chaque interaction client et chaque processus interne génèrent des volumes massifs de données, le Data Warehouse (ou entrepôt de données) s’impose comme la colonne vertébrale de toute stratégie décisionnelle. Pour faire simple, imagine... More alimenté quotidiennement par des programmes Cobol et SAS. Un modèle éprouvé, mais qui créait une fracture nette au sein des équipes.
D’un côté, les Data Analysts, capables d’interroger directement les tables via SAS Base. De l’autre, les utilisateurs métier étaient contraints de passer par SAS Enterprise Guide. Cette interface graphique offrait un accès limité et les rendait dépendants des équipes techniques. Toute question un peu fine nécessitait de solliciter un data analyst. Les délais s’allongeaient, les décisions ralentissaient.
Avec la migration vers GCP, Club Med a voulu franchir un cap. Permettre à n’importe quel collaborateur d’obtenir une réponse à partir des données de l’entreprise. En temps réel, en posant simplement la question en français.
Vous souhaitez démocratiser l’accès à vos données métier grâce à l’IA générative ? Parlez-en à un expert AVISIA →
Notre approche : une démarche Self-Service Analytics en quatre temps pour déployer un agent IA sur vos données
Du cadrage à la mise en production : une méthode structurée et itérative
Identification du bon cas d’usage
Avant d’écrire une seule ligne de code, AVISIA a travaillé avec les équipes du Club Med pour cadrer précisément le périmètre de la solution :
- Quelles sont les questions que les équipes métier posent le plus souvent ?
- Peut-on y répondre de manière fiable avec les données disponibles ?
- Quelles tables sources ou agrégées mobiliser ?
- Quels sont les ambassadeurs métier à impliquer dès le départ ?
Construction du dictionnaire de données et du système RAG
La clé de voûte d’un agent IA performant sur les données internes, c’est la qualité du contexte fourni au modèle. AVISIA a structuré :
- Un dictionnaire de données complet : description des tables, variables, modalités ou encore des jointures possibles, à partir des métadonnées et du catalogue interne.
- Un système de RAG (Retrieval Augmented Generation) alimenté par des paires questions/requêtes SQL validées, permettant au modèle de s’appuyer sur des exemples éprouvés.
- Une optimisation du retriever : nombre de documents renvoyés, seuil de similarité, recherche hybride pour que le modèle reçoive toujours le bon niveau d’information, ni trop ni trop peu.
Développement de l’interface utilisateur
L’interface baptisée « Gentil Requêteur » a été développée sous Streamlit et déployée sur Google Cloud Platform. Elle offre :
- Une saisie en langage naturel (texte ou voix via Cloud Speech-to-text) pour poser n’importe quelle question sur les données.
- Une génération SQL automatique par GPT-4o, invisible pour l’utilisateur, qui reçoit directement sa réponse mise en forme.
- Des rendus enrichis : tableaux, graphiques, visualisations, générés à partir de la requête.
- Un score de confiance affiché à l’utilisateur, avec alerte ou absence de réponse en cas de doute élevé.
- Un historique des requêtes, des favoris et un système de notation des réponses, positives ou négatives, pour améliorer le système en continu.
Les résultats : l’accès à la donnée ouvert à tous les collaborateurs
Des réponses en temps réel sur des milliards de lignes de données
Zéro SQL pour les équipes métier
Une décision plus rapide, plus autonome
Un système qui s’améliore avec l’usage
Une infrastructure cloud native, évolutive et maîtrisée
Ces résultats vous intéressent ? Discutons de votre projet GenAI
André Bourlat, Head of Data Factory & Innovation chez Club Med
André Bourlat pilote la Data Factory et l’innovation data au sein de Club Med.
« Dans chaque donnée, il y a une information. Cette information, si vous la traitez tout de suite, ça peut vous faire gagner des opportunités, ça peut aussi vous faire gagner du chiffre d’affaires, et ça améliore l’efficacité opérationnelle à la fois pour nos agents, pour nos agences, pour toutes les BU, dans tous les pays. »
Pourquoi AVISIA pour un projet d’IA générative sur vos données ?
Une expertise technique qui couvre toute la chaîne de valeur Data & IA
De la préparation des données à la mise en production d’un agent IA, AVISIA maîtrise l’ensemble du spectre : architecture cloud, ingénierie des données, développement de modèles et déploiement de solutions GenAI. Chez Club Med, cette vision end-to-end a permis de construire une solution robuste et pérenne, en s’appuyant sur la Data Factory existante, sans repartir de zéro.
Une approche 80% Data, 15% IA, 5% technique
Le succès d’un agent IA sur des données internes ne repose pas sur le modèle de langage, mais sur la qualité du contexte qu’on lui fournit. AVISIA l’a compris depuis longtemps : un dictionnaire de données bien construit, un RAG correctement calibré, et des exemples questions/requêtes sont la base. C’est sur ces fondations que le LLM peut vraiment performer.
Une méthode éprouvée pensée pour l’autonomie de vos équipes
AVISIA structure chaque projet GenAI pour que vos équipes soient autonomes à l’issue de la mission : formation des data engineers à la maintenance du système de RAG, documentation des bonnes pratiques, processus de validation humaine intégré à l’interface.
La mission se termine, les compétences restent.
AVISIA crée de l’autonomie, pas de la dépendance
L’objectif d’AVISIA n’est pas de construire une solution boîte noire. Chaque choix technologique est documenté, chaque composant est explicable, et les équipes Club Med ont été associées à chaque étape du projet. Elles ne subissent pas la solution, elles la pilotent.
Valoriser un patrimoine de données grâce à l’IA générative : découvrez le REX MGEN
Comme Club Med, MGEN a construit un agent IA génératif pour rendre son patrimoine de données accessible à ses équipes métier, sans dépendre systématiquement des équipes techniques. Découvrez une méthode différente pour un objectif similaire.
Questions fréquentes sur les agents IA en self-service analytics
Comment fonctionne un agent IA capable d’interroger des données internes en langage naturel ?
L’agent combine deux briques complémentaires. Un modèle de langage (GPT-4o dans le cas de Club Med) qui comprend la question posée en français. Un système de RAG qui lui fournit le bon contexte sur les données disponibles : tables, variables, exemples de requêtes déjà validées. Le modèle génère ensuite la requête SQL, l’exécute, et restitue une réponse claire à l’utilisateur.
Chez Club Med, cette architecture a permis d’atteindre 100% des questions posées sans une seule ligne de SQL côté utilisateur, sur des tables de plusieurs milliards de lignes.
La qualité de la réponse dépend presque entièrement de la qualité du contexte fourni au modèle, pas du modèle lui-même. Échangez avec un expert AVISIA → pour évaluer la faisabilité sur votre patrimoine de données.
Qu’est-ce que le RAG et pourquoi est-il essentiel pour un agent IA sur des données d’entreprise ?
Le RAG (Retrieval Augmented Generation) est une technique qui permet à un modèle de langage de s’appuyer sur des informations spécifiques à l’entreprise, plutôt que sur ses seules connaissances générales. Sans RAG, un LLMQu'est-ce qu'un Large Language Model (LLM) ? Si vous avez testé des outils d'IA conversationnelle récemment, alors vous avez directement interagi avec ce qu'on appelle un Large Language Model. Derrière ce terme se cache une réalité technologique fascinante. Concrètement, il s'agit d'un systèm... More ne connaît ni vos noms de tables, ni la logique métier propre à votre organisation.
Chez Club Med, le système de RAG s’appuie sur un dictionnaire de données complet et des paires questions/requêtes SQL validées, ce qui permet au modèle de générer des requêtes fiables plutôt que d’inventer une structure de données approximative.
Le calibrage du retriever (nombre de documents renvoyés, seuil de similarité, recherche hybride) est un travail à part entière, souvent sous-estimé dans les projets GenAI.
Combien de temps faut-il pour déployer un agent de self-service analytics ?
La durée dépend surtout de la qualité et de l’accessibilité des métadonnées existantes (catalogue de données, documentation des tables). Chez Club Med, la démarche complète, du cadrage du cas d’usage à la mise en production, s’est déroulée en quelques semaines, en s’appuyant sur la Data Factory déjà en place.
L’approche en quatre temps (identification du cas d’usage, dictionnaire de données et RAG, interface utilisateur, recette et déploiement) permet d’avancer de façon itérative plutôt que de viser une solution parfaite dès le départ.
Démarrer sur un périmètre de données restreint et un cas d’usage bien identifié reste le facteur le plus déterminant pour tenir les délais.
Un agent IA en langage naturel peut-il remplacer les data analysts ?
Non, et ce n’était pas l’objectif chez Club Med. L’agent IA traite les questions récurrentes et ad hoc qui mobilisaient auparavant du temps de data analyst pour des demandes simples. Cela libère du temps aux deux bouts : les équipes métier obtiennent leurs réponses sans attendre, et les data analysts peuvent se concentrer sur des analyses à plus forte valeur ajoutée.
Un mécanisme de notation et de validation humaine permet par ailleurs aux data analysts de garder un rôle de supervision : chaque réponse peut être notée positivement ou négativement, ce qui enrichit la base d’exemples et améliore le système en continu.
C’est un principe central chez AVISIA : l’IA générative complète l’expertise des équipes data, elle ne la remplace pas.
Vos équipes méritent un accès à la donnée sans friction, grâce à un agent IA sur vos données internes
Partagez-nous votre contexte : périmètre de données, profil des utilisateurs cibles, maturité de votre infrastructure cloud. Un expert AVISIA reviendra vers vous sous 48h.
Chargement du formulaire de contact…
