Agentic analytics : analyser ses données clients avec des agents IA

Le taux de deuxième achat baisse. Votre tableau de bord le montre, mais l'équipe CRM doit encore déterminer quelles populations sont concernées, comparer les périodes et examiner les explications possibles.

L'agentic analytics, ou analyse agentique, consiste à confier une partie de cette investigation à des agents IA. À partir d'une question métier, ils peuvent sélectionner des outils, enchaîner des analyses et adapter leurs étapes aux résultats, dans un périmètre défini.

Dans une CDP agentique, cette démarche s'appuie sur les données clients et leur contexte métier. Son intérêt est de produire un diagnostic vérifiable, que les équipes pourront utiliser avant de décider d'une action.

L'agentic analytics désigne une approche de l'analyse de données dans laquelle un agent IA participe à l'organisation et à l'exécution d'une investigation. Il peut préciser la demande, choisir des opérations autorisées, examiner leurs résultats et déterminer les vérifications suivantes.

Le périmètre varie selon les solutions : certaines assistent l'exploration, d'autres ajoutent un suivi proactif ou des actions. Tableau présente l'agentic analytics comme une approche où les agents accompagnent plusieurs étapes du travail analytique, avec un contrôle humain.

Pour une équipe marketing, la question est concrète : peut-on examiner une baisse du réachat sans préparer manuellement chaque filtre, extraction et comparaison ?

Le mot agentique décrit la manière de conduire le travail. Il ne signifie pas que l'agent connaît toutes les données, établit automatiquement des causes ou dispose du droit de lancer une campagne.

Ces approches peuvent se compléter :

Une interface de chat n'est donc pas, à elle seule, une preuve de fonctionnement agentique. Anthropic distingue les workflows des agents selon que les étapes suivent un chemin prédéfini ou que le système adapte l'utilisation de ses outils.

Si un rapport existant répond déjà au besoin, conservez-le. Cette démarche devient intéressante lorsque la question appelle plusieurs vérifications dont la suite dépend des résultats.

Le terme anglais conversational analytics reste ambigu : il peut désigner l'interrogation des données par la conversation ou l'analyse des échanges avec les clients. Ici, le langage naturel sert à explorer des données clients ; l'analyse de conversations et de sentiments relève d'un autre sujet.

Cette approche associe plusieurs composants. Le modèle de langage, ou LLM, interprète la demande et propose les tâches à réaliser. Les outils exécutent les opérations autorisées sur les données. Ce contexte facilite le choix des mesures et l'interprétation.

Ces rôles doivent rester distincts. Une intelligence artificielle générative peut rédiger une réponse convaincante sans avoir calculé l'indicateur demandé. La réponse doit donc s'appuyer sur des opérations vérifiables, plutôt que produire un chiffre à partir de sa seule connaissance.

La couche sémantique décrit ce que représentent les données : relations entre modèles, définition des métriques, règles de calcul et vocabulaire de l'entreprise. Elle fournit une référence commune.

Pour notre exemple, elle doit préciser ce qu'est une première commande, comment reconnaître le même client et quelles transactions sont éligibles. Le même contexte doit servir à la requête, au graphique et au rapport. Sans cette continuité, deux utilisateurs peuvent recevoir des réponses différentes à une question apparemment identique.

Le processus repose sur une boucle bornée : préparer une tâche, utiliser un outil, examiner le résultat, puis poursuivre ou s'arrêter. Chaque étape tient ainsi compte des éléments disponibles.

Les permissions peuvent autoriser le calcul d'une métrique et la création d'un graphique, tout en interdisant une activation. Les connecteurs et interfaces doivent préciser leurs entrées, leurs sorties et leurs limites. Une connexion technique ne garantit ni l'exactitude d'un calcul ni la pertinence d'une recommandation.

Le déploiement doit également prévoir des limites de temps et de coûts. Une investigation qui mobilise de nombreuses requêtes cloud et plusieurs appels aux modèles peut coûter davantage qu'un rapport existant. Mesurez le travail complet jusqu'au résultat validé, pas seulement la vitesse de génération d'une réponse.

Cette approche peut réduire le travail répétitif entre une question et un premier diagnostic : explorer des dimensions, préparer des visualisations et restituer des constats utiles à la compréhension.

Pour l'entreprise, le bénéfice attendu est un accès plus simple aux informations pertinentes. Les spécialistes définissent les modèles et les contrôles ; les utilisateurs métier peuvent ensuite explorer leurs questions dans ce cadre.

Certaines solutions ajoutent un suivi proactif des indicateurs. Vérifiez ce que le système surveille réellement, à quelle fréquence et avec quelle intervention humaine. Une notification automatique ne suffit pas à établir qu'un problème commercial existe.

« Pourquoi nos clients rachètent-ils moins ? » laisse plusieurs choix ouverts. Parle-t-on de tous les clients, des nouveaux acheteurs ou d'une catégorie ? Quelle période compare-t-on ? Quelle durée laisse-t-on pour observer un réachat ?

Un brief plus précis serait :

L'agent devrait reprendre ces critères ou demander une précision. Une bonne réponse commence par ce qui sera mesuré, avant de proposer une explication.

Le diagnostic exige des relations fiables entre clients, commandes et produits. Le modèle doit préciser les identifiants, les dates et les règles d'éligibilité : commandes annulées, retours, achats tests ou achats en magasin.

Le contexte métier évite aussi les erreurs de vocabulaire. « Client actif » peut signifier un achat récent, un abonnement en cours ou une utilisation régulière. Ces définitions ne sont pas interchangeables.

L'agent peut commencer par recalculer l'indicateur, puis examiner sa répartition selon des dimensions pertinentes.

Si la baisse concerne surtout une catégorie de premier achat, il peut comparer les cohortes au sein de cette catégorie. Si une source manque sur la période, la priorité devient la qualité des données.

Cette progression doit rester bornée. Définissez les sources accessibles, les opérations permises et le nombre de vérifications attendu. Multiplier les découpages jusqu'à trouver une différence spectaculaire produit rarement un diagnostic utile.

Le résultat devrait réunir :

Une restitution peut être compréhensible pour le marketing tout en conservant des détails consultables par l'équipe data. Le besoin est une trace des opérations et des résultats, sans exiger l'exposition d'un raisonnement interne du modèle.

Prenons un exemple retail fictif, sans lien avec les performances d'un client DinMo. Deux cohortes ont chacune été observées pendant 60 jours après la première commande.

L'écart est de 4 points de pourcentage. Ces chiffres décrivent une baisse observée ; ils ne suffisent pas à identifier son origine.

Avant d'explorer les comportements, contrôlez les bases : les sources sont-elles complètes ? La définition d'une commande a-t-elle changé ? Les deux cohortes disposent-elles réellement de 60 jours d'observation ?

Comparez des clients au même stade de leur relation avec la marque. Une cohorte récente peut sembler moins performante simplement parce qu'elle n'a pas encore eu le temps de racheter.

Vérifiez aussi les rapprochements d'identité : un client enregistré sous deux identifiants peut apparaître comme deux primo-acheteurs. Le diagnostic doit signaler cette limite si elle affecte la mesure.

Documentez le traitement des commandes reçues tardivement. Leur intégration peut modifier le résultat d'une analyse sans qu'aucun comportement client ait changé.

Demandez ensuite une comparaison par catégorie du premier produit acheté, source d'acquisition ou pays, lorsque ces informations sont disponibles.

L'objectif est de repérer où se concentre l'écart, avec les effectifs correspondants. Un sous-groupe de dix personnes mérite une interprétation différente d'une population de plusieurs milliers de clients.

Examinez également la composition des cohortes. Le taux global peut baisser si février contient davantage de clients appartenant à une catégorie historiquement moins portée au réachat, même si les taux au sein des catégories restent stables.

Supposons que l'écart se concentre chez les acheteurs d'une catégorie saisonnière. Une restitution utile pourrait préciser :

L'agent ne devrait pas conclure qu'une promotion résoudra le problème. Le diagnostic sert d'abord à déterminer ce que l'équipe comprend, ce qui reste incertain et quelles données elle doit examiner.

Les équipes CRM peuvent comparer le réachat, l'engagement ou la valeur observée selon des groupes définis. L'agent aide à préparer les comparaisons et à documenter leurs limites.

Une demande comme « compare nos clients fidèles » doit s'appuyer sur une définition validée de la fidélité. Le vocabulaire métier ne remplace pas les critères.

Un distributeur peut examiner les catégories achetées après un premier produit, en tenant compte du délai d'observation et des effectifs.

Ces constats révèlent des associations à étudier. Elle ne démontre ni qu'une recommandation provoquerait un achat supplémentaire, ni que les produits concernés sont disponibles ou rentables au moment d'une campagne.

Une variation brusque d'un indicateur peut provenir d'un comportement client ou d'une source devenue incomplète. Demandez à l'agent de contrôler les volumes et les dates d'actualisation avant de proposer une interprétation commerciale.

Cette vérification peut éviter de préparer une audience sur la base d'un problème de collecte.

Une équipe peut aussi rechercher l'origine d'une baisse d'utilisation dans un service par abonnement. Commencez par définir un utilisateur actif et vérifier si la collecte a changé. Comparez des groupes au même stade de leur abonnement.

La restitution doit distinguer une évolution du comportement d'un changement de mesure, puis indiquer les vérifications à poursuivre. Ce diagnostic ne démontre pas quelle campagne améliorerait la rétention.

Relisez le numérateur, le dénominateur et les exclusions. Un chiffre d'affaires brut, net de retours ou net de taxes répond à des questions différentes. Si le calcul relie commandes et produits, vérifiez qu'une commande contenant plusieurs articles n'est pas comptée plusieurs fois.

Comparez le résultat à un calcul de référence, réalisé avec les mêmes règles. Contrôlez les effectifs : un graphique lisible ne garantit pas que la population analysée est la bonne.

Vérifiez que les sources sont complètes, actualisées et disponibles sur des périodes comparables. Testez une demande ambiguë, une donnée absente et une population trop petite : l'agent doit pouvoir demander une précision, expliquer une limite ou s'arrêter.

Reformulez la question. Les critères convenus et les résultats calculés devraient rester cohérents sur les mêmes données. Conservez les opérations et les corrections pour distinguer un problème de définition d'une erreur de calcul.

Une corrélation n'établit pas une causalité. Comparer les clients ayant reçu un email aux autres peut refléter les règles de ciblage initiales ; mesurer l'effet de l'email exige un dispositif adapté.

La restitution doit signaler les sources manquantes, les requêtes échouées et les hypothèses non vérifiées. Gardez une validation humaine des conclusions. Utilisez des données agrégées lorsque cela suffit et définissez séparément les droits de consultation et d'activation.

Comprendre une baisse du réachat est un début. Choisir la bonne action et suivre ses résultats permet d’aller plus loin. DinMo relie le contexte de votre entreprise, l’exploration des données, les recommandations et la mesure des résultats.

Vos données prennent tout leur sens lorsqu’elles sont reliées à votre métier. DinMo permet de définir un context layer : modèles de données, relations, vocabulaire et définitions partagées. Ce contexte guide les analyses pour apporter des réponses adaptées à votre entreprise.

Posez une question, comparez deux populations ou approfondissez un résultat au fil de la conversation. Les graphes rendent les écarts visibles, tandis que les rapports créés à partir de ces graphes permettent de partager les analyses et de suivre les indicateurs utiles à votre équipe.

L’exploration peut déboucher sur des actions marketing concrètes. DinMo propose les prochaines étapes à partir des résultats de l’analyse. Votre équipe garde la main et valide les actions à mettre en œuvre.

Une fois les actions validées et mises en œuvre, DinMo revient mesurer les résultats après une période d’observation. Vous pouvez examiner l’évolution des indicateurs, évaluer les résultats et ajuster les prochaines décisions.

Avec DinMo, chaque question métier peut ouvrir une boucle d’amélioration : explorer, décider, agir et mesurer.

Choisissez une question déjà traitée par votre équipe, avec des données accessibles et un résultat de référence. La baisse du deuxième achat est un bon candidat si ses définitions sont établies.

Préparez un périmètre limité, une personne responsable de la métrique et une revue conjointe marketing-data. Évaluez le temps total jusqu'à validation, les corrections nécessaires et la capacité à reprendre l'investigation.

Vous pourrez alors juger l'apport de l'agentic analytics sur un résultat concret : une question mieux explorée, des calculs vérifiés et un diagnostic exploitable. C'est cette base qui permet ensuite de discuter des actions marketing pertinentes avec l'équipe DinMo.