Dialog — Audit Data & IA
Structurer en quelques jours une vision partagée du socle Data & IA de Dialog, puis la traduire en recommandations et en roadmap directement reliées aux ambitions produit.
- Secteur
- E-commerce · IA
- Intervention
- Audit technique
- Période
- Été 2025
- Expertises
- Data & systèmes analytiques · IA appliquée & agents
Contexte
Dialog développe des agents IA destinés aux acteurs du e-commerce. Au moment de notre intervention, l’équipe disposait déjà d’un environnement Data & IA riche, nourri par plusieurs familles de données : interactions utilisateurs, données applicatives, conversations et réponses des modèles, traces des workflows agentiques, données analytics et besoins liés aux travaux de Machine Learning.
L’enjeu de la mission n’était donc pas de repartir de zéro, mais de prendre de la hauteur sur un socle déjà avancé, d’en formaliser une vision d’ensemble et de préparer les prochaines étapes.
Deux ambitions produit structuraient particulièrement la réflexion : enrichir les capacités analytics proposées aux clients de Dialog, et préparer davantage d’autonomie dans la configuration et l’optimisation des expériences conversationnelles.
La mission a commencé par une journée complète dans les bureaux de Dialog, pour comprendre au maximum le produit, les usages, les systèmes, les technologies et les attentes des équipes.
Notre approche
Nous avons volontairement commencé par le contexte et les usages avant de formuler des recommandations techniques.
L’objectif était de comprendre comment la donnée circule aujourd’hui dans l’écosystème Dialog, comment elle est utilisée par le produit, par les équipes Data et ML et par les systèmes IA, puis d’identifier les évolutions les plus pertinentes pour accompagner la prochaine phase.
Des usages observés à une trajectoire décidée
Chaque étape avait sa matière. La cartographie couvrait les sources, les flux, les traitements et les usages analytics, ML et LLM Ops. Le diagnostic portait sur la fiabilité, la synchronisation, l’exploitation, la performance, la scalabilité et les nouveaux usages produit. Les options mettaient en regard le renforcement des briques déjà pertinentes et des trajectoires plus structurantes, en challengeant les choix existants lorsque c’était utile.
Ce que nous avons livré
La restitution tenait en quatre pièces, pensées pour être utilisées par l’équipe plutôt que classées.
Une cartographie du système Data & IA
Nous avons formalisé le cycle de vie de la donnée de bout en bout : principales sources, modalités d’ingestion, usages analytiques, besoins des équipes Data et ML, et exploitation des traces liées aux systèmes LLM.
Cette vue commune permettait de relier plus facilement les choix techniques aux futurs usages produit.
Une trajectoire pour le socle data
Nous avons proposé une évolution progressive du socle existant, pour renforcer la fiabilité des traitements, la reproductibilité, la gestion de l’historique, les performances, la capacité à faire évoluer les schémas et la connexion avec les workloads Data Science et Machine Learning.
L’approche retenue était volontairement pragmatique : conserver les briques déjà pertinentes et les renforcer avant d’envisager des changements plus structurants.
Une réflexion produit autour des analytics
L’audit ne s’est pas limité à l’infrastructure. Nous avons travaillé sur la manière dont la donnée pourrait devenir une capacité produit à part entière, avec notamment une vision de dashboard analytics destinée aux clients de Dialog.
L’objectif à terme : leur donner davantage de visibilité sur les parcours utilisateurs, et préparer les futures capacités d’ajustement autonome des expériences.
Performance
- Conversion
- Revenus
- Usage
Transparence
- Sessions
- Conversations
- Actions de l’agent
Compréhension
- Questions récurrentes
- Points de friction
- Facteurs de succès
Une roadmap priorisée
La restitution finale regroupait les recommandations autour de trois chantiers. Faire évoluer la boucle Data ↔ Produit : meilleure synchronisation des sources, amélioration du socle data et développement progressif des usages analytics. Renforcer le système RAG : optimiser l’existant à court terme, puis tester de manière cadrée des alternatives lorsque cela devient pertinent. Faire évoluer les usages Analytics et LLM : compléter certains datapoints, améliorer certains workflows et optimiser l’utilisation des modèles.
Le résultat attendu n’était pas une liste exhaustive de recommandations, mais une trajectoire claire, priorisée et directement exploitable par l’équipe.
Vous avez besoin de prendre de la hauteur sur votre socle technique avant de décider de la suite ?