Acteur du retail premium (Royaume-Uni)
Des mois de recherche terrain transformés en parcours clients actionnables, pour un acteur du retail premium britannique grâce à l’IA
Institution du commerce de détail britannique riche de plusieurs siècles d'histoire, cet acteur du retail premium conjugue héritage de marque et exigence d'excellence sur l'ensemble de ses canaux. Dans le cadre d'un chantier de refonte de son expérience client, l'enseigne a confié à SQLI l'exploitation d'un volume massif de données terrain — store safaris, tests d'usabilité, entretiens clients — pour en tirer des parcours et des livrables visuels exploitables par les équipes produit.
LE DÉFI
Les parcours clients traversent des dizaines de points de contact et de départements internes. Les angles morts se nichent précisément dans les espaces entre silos — un constat qui appelait une méthode capable d'absorber un volume de matière brute que les équipes n'auraient pas pu traiter à la main dans les délais impartis.
- Cartographier les transitions entre canaux et départements plutôt que les canaux pris isolément
- Exploiter un volume massif de données terrain pour éclairer les décisions produit
- Livrer des parcours clients et des blueprints actionnables en un temps record
- Garantir la fiabilité et la cohérence des données exploitées, sur des sources hétérogènes (pptx, docx, xlsx, pdf)
NOTRE INTERVENTION
SQLI a conçu une architecture multi-agents pilotée par un orchestrateur, avec quatre sub-agents spécialisés — analyse des points de friction, extraction technique, identification d'opportunités, cartographie de parcours — chacun affecté à une facette de l'analyse.
Conversion — Les données brutes (pptx, docx, xlsx, pdf) sont converties en documents exploitables par l'IA (.md, pdf, image), avec un agent Python supervisé par un analyste.
Extraction & analyse — Un orchestrateur IA pilote les quatre sub-agents spécialisés — Pain Point Analyser, Tech Extractor, Opportunity Identifier, Journey Mapper — pour produire des insights structurés (.md, .json).
Génération visuelle — Un agent dédié transforme les données structurées en livrables visuels (html, pdf, pptx), sous la supervision d'un consultant.
Validation — Une validation humaine intervient à chaque point de transition — conversion initiale et pilotage de la génération finale — pour garantir la qualité sans ralentir le flux.
RÉSULTATS
Quelques chiffres clés illustrant les résultats obtenus.
Enseignements clés
- Un orchestrateur pilotant des sub-agents spécialisés démultiplie la capacité d'analyse sur des volumes massifs de données terrain
- La validation humaine aux points de transition garantit la qualité sans ralentir le flux de production
- Une architecture agent explicite (boucle, outils, prompts) rend les rôles et les workflows reproductibles d'un projet à l'autre
Prochaines étapes
- Exploitation croisée des données Content Square et Adobe Analytics
- Analyse stratégique des tendances et du paysage concurrentiel
- Automatisation de la mise en forme des livrables pour réduire le time-to-delivery
- Actualisation automatique des parcours clients au fil des nouvelles données
OUTILLAGE Claude Code · Python
2026