Problématiques client
URM, unacteur majeur de l’assurance mutualiste, disposait d’une base de données stratégique : TED (Tout Est Dedans), centralisant l’ensemble des informations contrats, clients et produits à des fins d’analyses.
Les équipes métiers exploitaient ces données pour de nombreux cas d’usage : analyse des tendances portefeuille, suivi de la performance commerciale, définition d’actions de fidélisation, pilotage d’indicateurs stratégiques.
Cependant, l’accès à cette base restait complexe et fortement dépendant de l’expertise technique. Pour interroger TED, il était nécessaire :
-
d’être formé aux outils de requêtage et aux logiques SQL,
-
de solliciter l’équipe data pour formuler et exécuter les demandes,
-
de passer par une phase d’instruction du besoin afin de traduire la demande métier en requête technique.
Conséquence : perte de temps d’analyse, mobilisation permanente de l’équipe data, frustration des équipes métiers face aux délais d’accès à l’information.
Le défi consistait donc à passer d’un modèle centralisé et technique d’accès à la donnée à une approche fluide, autonome et conversationnelle, permettant aux métiers d’interroger la base en langage naturel.
L’enjeu était clair : démocratiser l’accès à la donnée stratégique sans compromettre la sécurité, la gouvernance ni la fiabilité des résultats.
Objectifs
Définir une vision Data Self-Service augmentée par l’IA
Concevoir une solution conversationnelle permettant aux équipes métiers d’interroger la base TED en langage naturel, tout en garantissant robustesse et traçabilité.
Optimiser l’accès et l’analyse des données
Automatiser la génération de requêtes SQL à partir de questions métiers et accélérer l’obtention d’indicateurs décisionnels.
Améliorer l’autonomie des équipes métiers
Réduire la dépendance à l’équipe data et fluidifier les cycles d’analyse.
Assurer pérennité, maintenabilité et indépendance technologique
Construire une architecture model-agnostique, centrée sur la donnée, permettant d’évoluer au rythme du marché des LLM.
Les contraintes du projet
Notre approche pour URM
01
Définition d’une vision Data Self-Service conversationnelle
Définition d’une vision Data Self-Service conversationnelle
Nous avons cadré une architecture cible permettant d’introduire une interface conversationnelle entre les métiers et la base TED.
Cette vision repose sur :
-
La traduction du langage naturel en requêtes SQL fiables
-
L’explication des résultats retournés
-
La sécurisation des accès et des droits utilisateurs
-
La traçabilité complète des interactions
Le périmètre couvert :
-
Interrogation des données contrats
-
Analyse portefeuille clients
-
Extraction d’indicateurs commerciaux
-
Suivi des performances produits
02
Expérimentation progressive et structurée
Le projet a été structuré en trois phases :
Phase 1 :
Expérimentation de l’usage de l’IA générative (LLM) dans une interface conversationnelle pour requêter la base TED.
Phase 2 :
Pré-industrialisation à travers l’amélioration des performances, l’optimisation des prompts et la personnalisation du modèle au contexte métier.
Phase 3:
Industrialisation dans les environnements de l’UMR pour mettre la solution à disposition des utilisateurs.
03
Architecture flexible et approche model-agnostique
ChatWithTED a débuté avec l’utilisation d’un modèle développé par Mistral AI. En cours de route, un modèle plus performant de Google (Gemini) a été privilégié. Demain, un nouveau modèle pourrait surpasser les précédents. Être model-agnostique est un choix stratégique crucial. Les solutions IA doivent être construites autour des données, qui sont les véritables actifs stratégiques.
Cette approche permet :
-
De décorréler la valeur métier de la dépendance à un modèle unique
-
De gagner en résilience technologique
-
D’optimiser en continu les performances et les coûts
-
De s’adapter aux évolutions réglementaires et de licences
-
C’est ainsi que l’on garantit la pérennité de la solution dans un écosystème IA en mutation rapide.
04
Fiabilisation et gouvernance des requêtes
Un cadre de contrôle robuste a été mis en place :
-
Validation des requêtes SQL générées
-
Limitation aux tables autorisées selon les profils
-
Journalisation et audit des requêtes
-
Mécanismes d’explicabilité des résultats
L’IA agit comme un accélérateur, mais reste encadrée par des règles de gouvernance strictes.
05
Une réutilisabilité native
La solution a été conçue comme une brique générique et réplicable.
La réutilisation de ChatWithTED pour d’autres domaines métiers est extrêmement simple.
Le code n’a pas à être modifié : il suffit d’adapter la description des données métiers et de pointer vers les nouvelles tables.
Cette approche permet un déploiement rapide sur d’autres périmètres sans refonte technique lourde.
Nos résultats
Impact global
UMR est passée d’un modèle d’accès à la donnée centralisé et technique à une approche conversationnelle, autonome et sécurisée. L’IA générative est désormais intégrée au cœur de la stratégie Data, combinant l’autonomie accrue des équipes métiers, la valorisation des actifs data, une résilience technologique face aux évolutions rapides des LLM et une maîtrise renforcée de la gouvernance et des coûts.
