Toutes les études de cas / Étude de cas 09 / 12
Ostral Distribution
Agent d’analyse de données en langage courant
Interroger l’entrepôt de données sans écrire une ligne de SQL
En clair
Les responsables posent leur question en français ; l’agent retrouve les bonnes tables, écrit la requête SQL, la corrige si elle échoue, l’exécute en lecture seule et répond avec un chiffre, un graphique et une explication.
- Client
- Ostral Distribution
- Secteur
- Distribution et grande consommation
- Taille
- 1 400 collaborateurs, 60 points de vente
- 30 sau lieu de plusieurs jours pour obtenir un chiffre
- 140 tablescomprises sans que l’utilisateur les connaisse
- Lecture seuleaucune donnée ne peut être modifiée
Le contexte
Chez Ostral Distribution, chaque question des directions commerciale et financière passait par l’équipe data : une demande, une file d’attente, puis un tableau de bord livré une à deux semaines plus tard, souvent déjà dépassé.
Le défi
- 01
L’entrepôt compte 140 tables aux noms techniques que personne hors de l’équipe data ne connaît.
- 02
Une requête SQL mal écrite donne un chiffre faux, présenté avec assurance.
- 03
Les utilisateurs ne doivent voir que les données auxquelles ils ont droit.
- 04
Aucune requête ne doit pouvoir modifier ou ralentir la base de production.
Notre approche
La description de chaque table et de chaque colonne est indexée : pour une question, l’agent retrouve uniquement les éléments de schéma utiles. Il génère la requête, l’exécute dans un environnement isolé en lecture seule, avec les droits de l’utilisateur. Si la base renvoie une erreur, l’agent la lit et réécrit sa requête. Le résultat est expliqué en une phrase et accompagné d’un graphique.
La solution, étape par étape
- 01
Une question d’affaires
« Quelles ont été nos trois catégories les plus vendues au T4, par région ? »
- 02
Le bon schéma, retrouvé
Parmi 140 tables, l’agent retrouve les trois utiles : ventes, produits, magasins.
- 03
Une requête générée
Le SQL est écrit et exécuté en lecture seule, avec les droits de l’utilisateur.
- 04
Corrigée si besoin
La base renvoie une erreur ? L’agent la lit, comprend et réécrit sa requête.
- 05
Un résultat expliqué
Un tableau, un graphique et une phrase pour comprendre le chiffre.
Résultats
- 30 spour une réponse chiffrée
- −60 %de demandes ponctuelles à l’équipe data
- 92 %de requêtes justes du premier coup, 99 % après correction
- 0écriture possible sur la base
Ce que nous livrons
- Index du schéma documenté (tables, colonnes, définitions métier)
- Agent text-to-SQL avec boucle de correction
- Exécution isolée en lecture seule, droits par utilisateur
- Interface de questions avec graphiques
- Journal des requêtes pour l’équipe data
Technologies
- LangChain
- PostgreSQL
- BigQuery
- Claude / OpenAI API
- Python
- React
Délai
6 à 10 semaines
Équipe
1 ingénieur IA, 1 ingénieur data
Cas illustratifs : clients et chiffres fictifs, représentatifs des solutions que nous livrons.