Rapport d'analyse des opportunités IA

Description du problème

L'entreprise LRDM (Le Roi Du Matelas) publie régulièrement des vidéos à destination de ses équipes internes (formations) et pour son service client. Ces vidéos nécessitent d'être traduites et sous-titrées pour être accessibles à l'ensemble des collaborateurs, notamment dans un contexte où l'entreprise opère dans plusieurs pays et langues (français et belge francophone sont mentionnés).
Actuellement, le processus de traduction et de sous-titrage de ces vidéos est réalisé manuellement, ce qui représente une charge de travail conséquente pour l'équipe formation. Cette tâche chronophage implique non seulement la traduction du contenu mais également la synchronisation des sous-titres avec le contenu vidéo, ainsi que leur mise en forme adéquate. Ce travail manuel limite la capacité de l'entreprise à produire rapidement du contenu vidéo multilingue pour ses différents besoins formatifs et informatifs.
De plus, la qualité et la cohérence des traductions peuvent varier selon les personnes qui les réalisent, ce qui peut affecter la compréhension et l'efficacité des formations dispensées.

Impacts actuels

Impact temporel : La traduction et le sous-titrage manuels des vidéos représentent un investissement en temps considérable pour l'équipe formation, réduisant le temps disponible pour d'autres tâches à plus forte valeur ajoutée.
Ralentissement du déploiement des formations : Le délai nécessaire pour traduire et sous-titrer les vidéos retarde la mise à disposition des formations auprès des équipes, notamment dans les différentes régions linguistiques où opère l'entreprise.
Limitation de la production de contenu : La contrainte de temps liée à la traduction limite potentiellement le nombre de vidéos que l'entreprise peut produire et diffuser.
Difficultés d'harmonisation : Les différentes versions linguistiques peuvent présenter des incohérences terminologiques, particulièrement importantes dans un contexte de formation technique sur les produits (matelas).
Coûts de production élevés : Si des ressources externes sont utilisées pour les traductions, cela représente un coût financier supplémentaire pour l'entreprise.
Accessibilité réduite : Sans sous-titres adéquats, les vidéos de formation sont moins accessibles pour certains collaborateurs, notamment ceux ayant des difficultés auditives ou travaillant dans des environnements bruyants.
Difficultés d'adaptation aux nouveautés : Lorsque de nouveaux produits ou processus sont introduits, la mise à jour des vidéos existantes et leur traduction devient un goulot d'étranglement dans la chaîne de formation.

Technologie IA applicable

🧰 Outils existants sur le marché

Gains potentiels

- Gain de temps : 2h par semaine

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

Description du problème actuel
Un collaborateur mentionne qu'il "passe beaucoup de temps à analyser les mots clés" pour les campagnes publicitaires Amazon
L'analyse des impressions est également une tâche chronophage
Le travail d'optimisation est actuellement fait manuellement et requiert une analyse approfondie des performances
Besoins identifiés
Automatiser l'analyse des campagnes publicitaires Amazon
Obtenir des recommandations d'optimisation générées par l'IA
Réduire le temps passé sur l'analyse des mots-clés et des impressions
Contexte business
Cette opportunité s'inscrit dans la gestion plus large de la présence de LRDM sur Amazon (marketplace)
Elle est liée à d'autres opportunités comme la gestion des produits (rédaction de titres, descriptions) et la mise à jour des prix
L'optimisation publicitaire est critique pour le positionnement des produits sur Amazon
Bénéfices potentiels
Réduction du temps consacré à l'analyse manuelle
Amélioration potentielle des performances publicitaires grâce à des recommandations basées sur les données
Capacité à réagir plus rapidement aux changements de performance des campagnes
Niveau de priorité
Cette opportunité semble avoir été identifiée comme importante dans l'atelier
Elle fait partie des sujets liés à la marketplace qui ont été mis en avant par les participants
Cette opportunité s'inscrit dans la stratégie d'optimisation de la présence de LRDM sur Amazon, avec pour objectif principal d'automatiser l'analyse et d'améliorer les performances des campagnes publicitaires tout en réduisant le temps manuel consacré à cette tâche.



- Lancement auto grâce aux mots clés proposés par Amazon
- Mais travaille fort à faire pour optimiser
Doit être fait dans les 4 langues

Impacts actuels

Impact sur le temps et les ressources

Un collaborateur indique explicitement : "moi je passe beaucoup de temps analyser les mots clés. regarder les impressions..."
Cette tâche est manifestement chronophage et mobilise des ressources humaines importantes qui pourraient être allouées à d'autres activités à plus forte valeur ajoutée

Inefficacité potentielle des campagnes

L'analyse manuelle présente des limites en termes de précision et d'exhaustivité
Sans outil d'analyse automatisé, il est probable que certaines optimisations potentielles ne soient pas identifiées

Réactivité limitée

Le temps nécessaire pour analyser manuellement les performances publicitaires limite la capacité à réagir rapidement aux changements du marché
La concurrence sur Amazon étant intense, ce manque de réactivité peut avoir un impact direct sur les ventes

Difficulté à maintenir une vision globale

L'analyse manuelle rend difficile la vision d'ensemble des différentes campagnes et de leurs interactions
Le transcript suggère que cette analyse est faite de façon isolée, sans nécessairement établir des corrélations entre les différentes métriques

Technologie IA applicable

🧰 Outils existants sur le marché

Gains potentiels

- Temps (1 heure par jour)
- Gain financier difficile à estimer, grâce à une meilleure conversion (Potentiel énorme)

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

L'entreprise LRDM (Le Roi Du Matelas) gère actuellement le traitement des variables de paie et des absences de manière essentiellement manuelle, créant un processus chronophage et sujet aux erreurs. Ce problème est particulièrement complexe en raison de la diversité des situations à traiter et de la dispersion des informations nécessaires à travers différents systèmes et fichiers.
Une composante majeure de cette problématique concerne le calcul des commissions des vendeurs et responsables de magasins. L'entreprise utilise environ quinze formules différentes de calcul pour ses équipes réparties entre la France et la Belgique. Cette diversité de formules résulte d'une évolution historique des systèmes de rémunération et de tests de différentes approches incitatives selon les marchés.
Actuellement, un collaborateur doit, chaque mois, calculer manuellement les commissions variables pour chaque employé concerné. Ce processus implique de récupérer des données dispersées dans plusieurs fichiers, d'appliquer la formule spécifique correspondant à chaque collaborateur, puis de calculer individuellement les montants à verser. La complexité est amplifiée par les nombreuses conditions et variables qui peuvent s'appliquer (potentiellement jusqu'à 488 conditions mentionnées pour certains calculs).
Le traitement des absences suit un processus similaire, nécessitant la collecte et la consolidation manuelles d'informations provenant de différentes sources avant de pouvoir impacter correctement la paie des collaborateurs concernés.

Impacts actuels

Temps considérable consacré aux calculs manuels : Le processus actuel de calcul des variables de paie et notamment des commissions mobilise un temps significatif chaque mois, temps qui pourrait être alloué à des tâches à plus forte valeur ajoutée.
Risque élevé d'erreurs : La manipulation manuelle de données à travers de multiples fichiers et l'application de formules complexes augmentent considérablement le risque d'erreurs de calcul, pouvant affecter directement la rémunération des collaborateurs.
Complexité de gestion multi-pays : La présence de formules distinctes entre la France et la Belgique ajoute une couche supplémentaire de complexité qui rend le processus encore plus fastidieux et propice aux erreurs.
Inefficacité du système actuel : Les informations nécessaires étant dispersées dans plusieurs fichiers, le processus implique des manipulations redondantes de données qui pourraient être automatisées.
Difficulté de vérification et d'audit : Le caractère manuel et dispersé du processus rend difficile la vérification systématique des calculs et limite les possibilités d'audit ou de contrôle de qualité.
Délais de traitement : La complexité du processus peut entraîner des délais dans le traitement des variables et donc potentiellement dans le versement des rémunérations, affectant la satisfaction des collaborateurs.
Dépendance aux personnes-clés : Le système actuel crée une dépendance envers les personnes qui maîtrisent les différentes formules et le processus global, représentant un risque pour la continuité des opérations.
Difficulté d'évolution du système : La rigidité du processus manuel rend difficile l'implémentation de nouvelles formules ou la modification des existantes, limitant la capacité d'adaptation de la politique de rémunération aux besoins évolutifs de l'entreprise.

Technologie IA applicable

💻 Développement sur mesure

Gains potentiels

- 3 jours par mois

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

- On reçoit 1 fichier Excel par magasin par semaine
L'entreprise LRDM (Le Roi Du Matelas) utilise un système de tickets GLPI pour gérer les demandes de supports marketing de ses magasins. Le processus actuel est entièrement manuel et particulièrement chronophage. Chaque semaine, les magasins envoient leurs besoins spécifiques via un fichier Excel sur la plateforme GLPI. Ces demandes concernent divers supports marketing (comme des voiles promotionnels, des présentoirs, des oeillets, etc.) nécessaires aux opérations commerciales des points de vente.
Un collaborateur du service marketing doit consacrer systématiquement un jour par semaine (typiquement le jeudi après-midi) pour traiter l'ensemble de ces tickets, avec une centaine de GLPIs à gérer chaque semaine. Le processus implique plusieurs étapes manuelles complexes :

Analyser individuellement chaque demande de chaque magasin
Vérifier la disponibilité en stock pour chaque article demandé
Pour les articles disponibles, préparer un fichier Excel pour le dépôt afin qu'il puisse préparer les commandes et les envoyer aux magasins concernés
Pour les articles en rupture, suivre manuellement ces demandes jusqu'à ce qu'un volume suffisant soit atteint pour justifier une commande

Le système actuel présente des limitations significatives en termes de visibilité sur les stocks. Le collaborateur doit régulièrement retourner vérifier l'état des stocks et ne peut pas voir immédiatement quels articles sont disponibles ou en rupture. De plus, il doit mémoriser les demandes en attente pour pouvoir les regrouper ultérieurement, créant un processus fragile reposant sur la mémoire humaine plutôt que sur un système structuré.

Impacts actuels

Charge de travail excessive : Le traitement des GLPIs occupe un jour entier par semaine, représentant une part significative du temps de travail d'un collaborateur marketing.
Processus manuel inefficient : La nécessité d'ouvrir et d'analyser individuellement chaque ticket, puis de préparer manuellement des fichiers de commande pour le dépôt, crée un processus inutilement laborieux.
Absence de visibilité en temps réel : L'impossibilité de voir immédiatement la disponibilité des stocks oblige à des vérifications multiples et des allers-retours entre différents systèmes.
Suivi manuel des ruptures : Le collaborateur doit mémoriser ou noter séparément les demandes d'articles en rupture, créant un risque élevé d'oublis ou d'erreurs.
Délai de traitement des demandes : La concentration du traitement sur un jour spécifique de la semaine peut retarder la satisfaction des besoins des magasins.
Communication fragmentée : Le processus implique une communication à plusieurs niveaux (magasins → marketing → dépôt) sans système intégré, multipliant les risques d'erreurs de transmission.
Absence de priorisation automatique : Le système actuel ne permet pas de hiérarchiser facilement les demandes selon leur urgence ou importance stratégique.
Impossibilité d'anticipation : Sans vision consolidée des demandes récurrentes, l'entreprise ne peut pas facilement anticiper les besoins futurs et optimiser sa gestion des stocks marketing.

Technologie IA applicable

💻 Développement sur mesure

Gains potentiels

1,5 jours et demi par semaine

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

A tester la capacité de ChatGPT pour traiter cette opportunité (Custom GPT)
L'entreprise LRDM (Le Roi Du Matelas) est confrontée à un ensemble de processus administratifs manuels et chronophages dans son service achats. Le problème central concerne le rapprochement entre les bons de livraison (BL) et les factures fournisseurs, mais s'étend également à diverses tâches administratives répétitives.
Actuellement, l'entreprise dispose d'un système basique de rapprochement automatique, mais celui-ci présente d'importantes limitations. Ce système ne parvient pas à traiter l'ensemble des cas et nécessite encore une intervention humaine substantielle. Les équipes doivent naviguer entre plusieurs plateformes différentes pour effectuer ces rapprochements, multipliant les manipulations et les risques d'erreur.
La complexité est amplifiée par le volume et la taille des factures à traiter, certaines pouvant atteindre jusqu'à 90 pages. De plus, certaines plateformes ou systèmes utilisés par l'entreprise ne disposent pas d'API, rendant impossible l'intégration automatique des données. Par exemple, les informations sur les réceptions au dépôt ne peuvent pas être facilement reliées aux systèmes de facturation.
Au-delà du rapprochement BL/factures, l'équipe achats doit également gérer d'autres tâches administratives répétitives comme la création de documents d'achat pour informer les équipes commerciales des produits en solde. Ces documents nécessitent un formatage spécifique dans Word et une mise en forme chronophage, bien que le contenu suive généralement une structure similaire. Ces documents doivent également être traduits pour les différents marchés où opère l'entreprise.
Enfin, le service est également confronté à un problème de tri et de gestion des communications entrantes, avec un flux important d'emails qui ne sont pas efficacement catégorisés ou filtrés selon leur pertinence ou urgence.

Impacts actuels

Temps considérable consacré aux tâches manuelles : Les équipes passent des heures à effectuer des rapprochements et des tâches administratives qui pourraient être automatisées. La création de documents informatifs pour le commerce prend entre 1h et 1h30 chaque mois.
Inefficacité du traitement : Sur un volume potentiel de 1000 factures, environ 900 pourraient être traitées automatiquement, mais le système actuel oblige à passer du temps sur l'ensemble des factures plutôt que de se concentrer uniquement sur les 100 problématiques.
Multiplication des plateformes et interfaces : Les équipes doivent constamment naviguer entre différents systèmes, ce qui multiplie les manipulations et augmente les risques d'erreur.
Difficulté de traitement des documents volumineux : Les factures particulièrement longues (jusqu'à 90 pages) compliquent encore davantage le processus de rapprochement et de vérification.
Limitations techniques : L'absence d'API pour certains systèmes crée des barrières techniques à l'automatisation, obligeant à maintenir des processus manuels même lorsqu'ils pourraient théoriquement être automatisés.
Charge de traduction récurrente : La nécessité de traduire les documents pour différents marchés ajoute une couche supplémentaire de complexité et de temps requis.
Détournement des ressources qualifiées : Des employés qualifiés passent un temps disproportionné sur des tâches administratives de faible valeur ajoutée au détriment de missions plus stratégiques.
Filtrage inefficace des communications : L'absence d'un système efficace de tri des communications entrantes (notamment emails) génère une charge supplémentaire de traitement manuel et risque de retarder le traitement des demandes urgentes.

Technologie IA applicable

🎓 Formation et montée en compétences

Gains potentiels

- 1h à 1h30 par mois

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

LRDM cherche à améliorer la qualité et l'efficacité des formations de vente dispensées à ses équipes commerciales. Actuellement, l'entreprise organise des sessions de formation qui incluent des mises en situation pratiques comme des sketchs de vente en magasin et des simulations d'appels téléphoniques avec les clients. Ces exercices pratiques sont essentiels pour développer les compétences commerciales, mais leur évaluation repose principalement sur l'observation humaine, ce qui présente plusieurs limitations :

L'évaluation des performances reste subjective et dépend fortement de l'expertise du formateur présent.
Le processus d'analyse et de feedback est chronophage, limitant le nombre d'exercices pratiques pouvant être évalués en profondeur durant une session de formation.
Il est difficile de standardiser les critères d'évaluation et de garantir une cohérence dans l'analyse des performances.
L'entreprise ne dispose pas d'outils permettant une analyse fine et détaillée des interactions commerciales, notamment concernant les aspects subtils de la communication (ton, rythme, choix de mots, réactivité aux objections, etc.).
Sans méthodologie systématique d'analyse, il est compliqué de mesurer objectivement les progrès des vendeurs ou d'identifier précisément les points d'amélioration spécifiques à chaque collaborateur.

L'entreprise a identifié une solution d'IA spécialisée dans l'analyse conversationnelle, initialement conçue pour les techniques de vente, qui pourrait transformer leur approche de formation en permettant une analyse précise, objective et détaillée des interactions commerciales simulées pendant les formations.

Impacts actuels

Inefficacité du processus de formation : L'absence d'outils d'analyse conversationnelle rend le processus de formation moins efficace, avec un temps important consacré à l'évaluation subjective des performances plutôt qu'à l'amélioration concrète des techniques de vente.
Limitation quantitative des analyses : Le nombre d'interactions pouvant être analysées en profondeur est restreint par les contraintes de temps, ce qui limite les opportunités d'apprentissage pour les vendeurs.
Manque de précision dans les feedbacks : Sans analyse détaillée, les retours aux vendeurs restent généraux et parfois insuffisamment précis pour permettre une amélioration ciblée de leurs performances.
Difficulté à évaluer objectivement les progrès : L'entreprise manque d'indicateurs objectifs pour mesurer l'efficacité des formations et l'évolution des compétences des vendeurs.
Approche pédagogique limitée : La formation repose davantage sur des principes théoriques que sur l'analyse concrète des comportements observés lors des simulations, réduisant l'impact pédagogique.
Variabilité des analyses selon les formateurs : Sans outil standardisé, l'évaluation peut varier considérablement d'un formateur à l'autre, créant des incohérences dans le développement des compétences.
Temps de formation prolongé : L'absence d'outils d'analyse efficaces peut allonger la durée nécessaire pour amener les vendeurs au niveau de compétence souhaité.
Difficulté à anticiper les scénarios complexes : Sans une analyse fine des interactions, l'entreprise peine à préparer ses vendeurs à gérer efficacement des situations de vente complexes ou atypiques.
Risque d'inadéquation avec les attentes clients : Une formation sous-optimale peut se traduire par des approches commerciales moins adaptées aux attentes des clients, impactant potentiellement les ventes et la satisfaction client.

Technologie IA applicable

💻 Développement sur mesure

Gains potentiels

Gain de temps pendant la formation

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

L'entreprise LRDM (Le Roi Du Matelas) gère un volume important de commandes auprès de multiples fournisseurs, créant un portefeuille complexe de commandes en cours. Actuellement, le suivi de ces commandes repose sur un processus manuel et chronophage, principalement centré autour d'une relance hebdomadaire systématique des fournisseurs.
Chaque lundi matin, l'équipe des achats doit contacter par email chaque fournisseur pour obtenir des informations sur l'état d'avancement des commandes en cours. Le volume de ces commandes est considérable, avec plusieurs dizaines de fournisseurs et un cumul qui peut atteindre jusqu'à 2000 lignes de commandes à suivre sur une période de 56 semaines.
Le problème est amplifié par l'évolution fréquente des délais de livraison. Un délai initial de cinq semaines peut, par exemple, s'allonger à sept semaines sans que cette information soit automatiquement mise à jour dans les systèmes. Cette situation crée un décalage entre les délais communiqués aux magasins et la réalité, sans mécanisme efficace pour propager rapidement ces changements.
De plus, le système actuel ne permet pas d'anticiper efficacement les retards potentiels ni de générer des alertes proactives. Les informations critiques sont dispersées entre différentes plateformes et systèmes, rendant difficile une vue d'ensemble cohérente du statut des commandes.

Impacts actuels

- Perte de confiance des magasins sur les délais de livraison, fiabilité du CBN, impact sur le dépôt
Charge de travail excessive : Le processus de relance manuelle absorbe une quantité significative de temps chaque semaine, avec des vérifications supplémentaires tout au long de la semaine en fonction des urgences.
Manque de visibilité sur les commandes : Dans un système comprenant jusqu'à 2000 lignes de commandes, il est extrêmement difficile d'identifier rapidement quels fournisseurs sont en retard sur quelles commandes spécifiques.
Perte de confiance des magasins : Le manque de fiabilité des délais communiqués entraîne une perte de confiance des magasins envers le service des achats et le dépôt central.
Insatisfaction des clients finaux : Les délais non respectés se répercutent sur les clients finaux, qui reçoivent leurs produits plus tard que prévu, générant de l'insatisfaction.
Inefficacité de la communication : Les changements de délais ne sont pas communiqués efficacement à tous les maillons de la chaîne, créant des attentes déconnectées de la réalité.
Absence d'anticipation des problèmes : Le système réactif actuel ne permet pas d'anticiper les retards potentiels, obligeant l'équipe à gérer les problèmes une fois qu'ils sont déjà survenus.
Rupture dans la chaîne d'information : Les informations essentielles concernant les commandes ne circulent pas efficacement entre les systèmes d'information, les fournisseurs, les équipes internes et les magasins.
Désorganisation logistique : L'incertitude sur les délais de livraison complique la planification logistique et l'organisation des ressources au niveau du dépôt et des magasins.

Technologie IA applicable

💻 Développement sur mesure

Gains potentiels

- Temps : 0,5 jours par semaine

Temps d'implémentation

Moyen terme (3-6 mois)

Description du problème

- InDesign
L'entreprise LRDM (Le Roi Du Matelas) est confrontée à un processus chronophage et répétitif de création et de mise à jour des affiches prix destinées à ses magasins physiques. Cette tâche est actuellement réalisée manuellement par l'équipe marketing et comporte plusieurs contraintes importantes.
Le principal défi réside dans la gestion de plusieurs versions d'affichage pour chaque produit, en fonction des différentes zones géographiques où l'entreprise opère. Pour chaque matelas ou article, l'équipe doit créer et maintenir quatre versions différentes d'affiches prix correspondant aux marchés français, belge francophone (BFR) et luxembourgeois. Ces versions comportent non seulement des différences de prix mais également des spécificités propres à chaque marché.
Lors d'un changement de prix, qui peut concerner plusieurs matelas simultanément, l'équipe doit modifier manuellement chaque version d'affiche, avec toutes les contraintes que cela implique en termes de cohérence et de risques d'erreurs. Le processus est encore plus complexe lors de la création d'une nouvelle affiche prix, qui nécessite non seulement l'insertion des tarifs mais également la génération de contenu détaillé sur la composition du produit et l'intégration d'images appropriées.
Le système actuel ne permet pas d'automatiser ces tâches répétitives ni de garantir une cohérence parfaite entre les différentes versions des affiches. De plus, le temps consacré à ces opérations manuelles réduit la capacité de l'équipe marketing à se concentrer sur des tâches à plus forte valeur ajoutée.

Impacts actuels

Temps considérable consacré aux modifications : Chaque changement de prix sur une affiche, incluant les quatre versions, prend entre 5 et 10 minutes. Lors d'opérations commerciales impliquant de nombreux produits, ce temps se multiplie significativement.
Processus encore plus chronophage pour les nouvelles affiches : La création d'une nouvelle affiche prix prend "beaucoup plus de temps" que la simple modification, car elle nécessite de générer tout le contenu descriptif sur la composition du produit et d'intégrer les visuels appropriés.
Risques d'erreurs et d'incohérences : La manipulation manuelle de multiples versions d'affiches augmente le risque d'erreurs, notamment de discordances de prix entre les différents marchés ou d'omissions d'informations.
Réactivité limitée face aux changements : Le temps nécessaire pour mettre à jour toutes les affiches peut retarder l'application effective des nouvelles politiques tarifaires ou des opérations promotionnelles.
Ressources détournées d'activités stratégiques : Ce travail manuel répétitif mobilise des ressources marketing qui pourraient être allouées à des activités plus créatives et stratégiques.
Difficultés de coordination entre les marchés : La gestion manuelle de différentes versions complique la coordination des stratégies tarifaires entre les différents pays où opère l'entreprise.
Manque de flexibilité pour les opérations commerciales : La lourdeur du processus peut limiter la fréquence et la réactivité des opérations commerciales nécessitant des changements de prix.
Problèmes potentiels de conformité réglementaire : Les erreurs dans l'affichage des prix peuvent entraîner des problèmes de conformité avec les réglementations locales sur l'affichage des prix en magasin.

Technologie IA applicable

💻 Développement sur mesure

Gains potentiels

- Temps : Une affiche pour un produit (4 versions pour les 4 langues) entre 5 et 10 minutes
Entre 15 et 20 produits par mois

- Si nouvelle affiche : 20 minutes

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

- Zendesk
L'entreprise LRDM (Le Roi Du Matelas) fait face à un volume important de demandes clients, recevant environ 70 à 80 tickets par jour via son service client. Actuellement, le traitement de ces demandes est entièrement manuel, nécessitant que chaque requête soit lue, analysée et qu'une réponse personnalisée soit rédigée par un membre de l'équipe. Ce processus est particulièrement chronophage et répétitif, d'autant plus que de nombreuses demandes concernent des questions récurrentes ou des situations standard.
Le processus actuel ne permet pas d'identifier rapidement les types de demandes ni de proposer automatiquement des réponses adaptées selon la catégorie de la requête. Les membres de l'équipe doivent constamment rédiger des réponses similaires à des questions fréquentes, ce qui représente une inefficacité significative dans la gestion du service client.
La société a précédemment tenté d'implémenter une solution d'intelligence artificielle pour optimiser ce processus, mais celle-ci s'est révélée inadéquate, notamment en raison de son incapacité à traiter correctement les variantes d'une même demande client. La solution n'arrivait pas à comprendre le contexte et fournissait souvent des réponses inappropriées ou hors sujet, rendant son utilisation contre-productive.
Actuellement, le tri des demandes entrantes se fait de façon rudimentaire via un système de code couleur dans Outlook, sans véritable analyse préalable du contenu ni catégorisation automatique des tickets. L'entreprise utilise ou envisage d'utiliser Zendesk comme outil de gestion des tickets, mais les fonctionnalités d'IA intégrées ne semblent pas pleinement exploitées.

Impacts actuels

Temps de traitement excessif : L'équipe consacre environ 5 heures par jour uniquement à répondre aux emails des clients, ce qui représente une part considérable de leur temps de travail.
Retards dans les réponses : Le volume important de tickets (70-80 par jour) combiné au traitement manuel entraîne des délais de réponse allongés, avec des tickets qui peuvent rester en attente de traitement pendant plusieurs heures.
Inconsistance des réponses : Sans base de réponses standardisée, les informations fournies aux clients peuvent varier selon le membre de l'équipe qui traite la demande, créant des incohérences dans la communication.
Inefficacité des ressources humaines : Des employés qualifiés passent leur temps à rédiger des réponses répétitives plutôt que de se concentrer sur des cas complexes nécessitant une véritable expertise ou une intervention personnalisée.
Satisfaction client compromise : Les délais de réponse allongés et le manque de réactivité peuvent affecter négativement l'expérience client et la perception de la marque.
Difficulté d'analyse des demandes : L'absence de catégorisation automatique des tickets limite la capacité de l'entreprise à analyser les types de demandes récurrentes et à identifier les problèmes systémiques nécessitant une attention particulière.
Surcharge de travail : Le traitement manuel de l'ensemble des tickets depuis le matin (9h) jusqu'en fin d'après-midi (16h) indique une charge de travail importante qui pourrait conduire à l'épuisement professionnel des équipes.
Manque d'évolutivité : Le système actuel ne permet pas de gérer efficacement une augmentation du volume de demandes clients sans augmenter proportionnellement les effectifs du service client.

Technologie IA applicable

🧰 Outils existants sur le marché

Gains potentiels

- Temps : 5 heures de réponses par jour aux client

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

Lien de listing des concurrents avec nb de produits vendus (quantités)
Analyse des titres
L'entreprise LRDM effectue actuellement une veille concurrentielle sur Amazon de façon entièrement manuelle. Les collaborateurs consultent individuellement les pages produits des concurrents sur Amazon pour analyser plusieurs éléments stratégiques : prix, descriptions produits, bullet points (arguments de vente), visuels et désormais les volumes de vente estimés que la plateforme affiche.
Cette surveillance quotidienne implique un processus non structuré où chaque membre de l'équipe marketing/e-commerce doit visiter manuellement chaque listing concurrent, prendre des notes (sur les quantités vendues, évolutions des titres, changements de mots-clés) et tenter d'identifier des tendances. Par exemple, lorsqu'un concurrent modifie sa terminologie (comme l'utilisation du terme "couette tempérée" qui n'était pas employé auparavant), l'équipe doit le détecter et comprendre si cela reflète une nouvelle tendance de recherche des consommateurs.
Le processus actuel ne repose sur aucun outil d'automatisation, et toutes les données collectées sont conservées dans des notes à dates variables sans centralisation efficace. L'entreprise souhaiterait disposer d'un tableau de bord automatisé qui synthétiserait les évolutions des offres concurrentes et mettrait en évidence les changements significatifs observés.

Impacts actuels

Charge de travail conséquente : Environ une demi-journée par semaine est consacrée uniquement à cette veille sur Amazon, représentant une mobilisation significative des ressources humaines de l'entreprise.
Manque de systématisation : Les données sont collectées de façon artisanale, sans méthodologie harmonisée ni outil dédié. Les collaborateurs prennent des notes avec des dates pour suivre l'évolution des quantités vendues par les concurrents, mais ce système reste rudimentaire.
Difficulté à identifier les tendances : Sans tableau de bord automatisé, l'entreprise peine à détecter rapidement les évolutions importantes dans les stratégies des concurrents (changements de prix, modifications des descriptions, nouveaux mots-clés).
Risque d'erreurs ou d'oublis : Le processus manuel est sujet aux erreurs humaines et à des oublis dans le suivi régulier de certains concurrents ou produits.
Réactivité limitée : Le temps nécessaire à la collecte et à l'analyse des données réduit la capacité de l'entreprise à s'adapter rapidement aux mouvements du marché.
Partage d'information inefficace : Sans rapport structuré ni tableau de bord, le partage des informations concurrentielles au sein de l'entreprise reste limité, réduisant la capacité des différents départements à exploiter ces données.
Impact sur la compétitivité : Sans connaissance précise et actualisée des actions des concurrents, l'entreprise risque de manquer des opportunités ou de réagir tardivement aux menaces concurrentielles sur la marketplace Amazon.
Sous-optimisation du référencement : La détection tardive des nouvelles tendances de mots-clés utilisés par les concurrents peut nuire au positionnement des produits de l'entreprise dans les résultats de recherche Amazon.

Technologie IA applicable

💻 Développement sur mesure

Gains potentiels

- Gain de temps : 0,5 jours par semaine

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

Le service financier de LRDM fait face à des défis significatifs concernant la gestion des échéances de paiement et la planification de la trésorerie. Le processus actuel présente plusieurs problématiques :

L'équipe financière doit régulièrement extraire des données du logiciel comptable pour créer manuellement des listes d'échéances de paiement, ce qui implique un travail fastidieux de compilation et d'analyse.
Pour chaque échéance de paiement, un collaborateur doit déterminer manuellement si une facture est "bonne à payer" en fonction de divers critères (validation de service fait, conformité, délais négociés, etc.).
Ce traitement est particulièrement chronophage pour les sociétés du groupe ayant un volume important de factures, comme mentionné pour la société "Grégoire" qui nécessite environ 1h30 de traitement.
Le processus se répète deux fois par mois, créant une charge de travail récurrente et prévisible mais incompressible avec les outils actuels.
L'entreprise utilise actuellement des fichiers Excel pour gérer ces données financières, offrant peu d'automatisation et nécessitant des manipulations manuelles répétitives.
En parallèle, l'équipe financière doit également gérer les prévisions de trésorerie en analysant les flux entrants et sortants, sans disposer d'outils permettant une visualisation dynamique et en temps réel de ces mouvements.
La complexité du processus est accrue par l'existence de "règles particulières" qui rendent difficile une automatisation simple, nécessitant probablement une logique d'analyse plus sophistiquée.
Le système actuel ne permet pas d'avoir une vision anticipative satisfaisante des besoins en trésorerie, limitant la capacité de l'entreprise à optimiser sa gestion financière.

Impacts actuels

Charge de travail administrative élevée : L'équipe finance consacre environ 3-4 heures par mois uniquement à la création et au traitement manuel des calendriers de paiement, représentant près d'une demi-journée de travail qui pourrait être allouée à des tâches à plus forte valeur ajoutée.
Risque d'erreurs humaines : Le traitement manuel des échéances et la détermination des factures "bonnes à payer" sont sujets aux erreurs humaines, particulièrement lors des périodes de forte charge comme les clôtures mensuelles.
Manque de réactivité financière : Sans vision dynamique et en temps réel des échéances, l'entreprise peut manquer d'agilité pour optimiser sa trésorerie (négociation de délais, regroupement de paiements, etc.).
Difficulté de planification : L'absence d'un calendrier automatisé et fiable complique la planification financière à moyen terme et limite la capacité à anticiper les tensions de trésorerie potentielles.
Sous-optimisation des flux financiers : Sans vision claire des échéances et des prévisions, l'entreprise peut subir des situations de sur-liquidité ou sous-liquidité temporaires qui auraient pu être évitées avec une meilleure anticipation.
Dépendance aux compétences individuelles : Le processus actuel repose fortement sur l'expertise des collaborateurs qui maîtrisent les "règles particulières" mentionnées, créant une vulnérabilité organisationnelle en cas d'absence ou de départ.
Limitation du reporting financier : La génération manuelle des données limite la fréquence et la richesse des analyses financières qui pourraient être produites avec un système automatisé.
Frein à la croissance : À mesure que l'entreprise se développe et que le volume de transactions augmente, le système manuel actuel deviendra de moins en moins tenable, créant un goulot d'étranglement opérationnel.
Stress opérationnel : Les contraintes de temps liées à ces traitements manuels génèrent une pression sur l'équipe financière, particulièrement lorsque ces tâches doivent être réalisées dans des délais serrés.

Technologie IA applicable

💻 Développement sur mesure

Gains potentiels

- 0,5 jours par mois

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

LRDM rencontre des difficultés significatives dans la création et la gestion de sa documentation juridique, particulièrement concernant la rédaction des procès-verbaux d'assemblées générales (PV d'AG) et des baux commerciaux. Le problème comporte plusieurs dimensions :

L'entreprise ne dispose pas d'un système efficace pour la création de documents juridiques standardisés et doit consacrer un temps considérable à rédiger manuellement ces documents pour chaque nouvelle situation.
Les modèles juridiques actuellement utilisés ne sont pas maintenus à jour par rapport aux évolutions législatives, créant un risque de non-conformité. Comme mentionné explicitement dans la transcription : "ils sont pas à jour du tout".
L'entreprise reconnaît qu'il existe des outils d'IA capables d'assister dans la création de ces documents, mais semble avoir des difficultés à exploiter efficacement ces technologies, notamment concernant la formulation adéquate des requêtes (le "prompter").
Au-delà des PV d'AG et baux commerciaux, d'autres documents juridiques comme les statuts d'entreprise et diverses politiques réglementaires (confidentialité, sécurité informatique) sont également concernés par ce manque d'automatisation.
Le personnel responsable de ces tâches est réticent à "passer des journées à rédiger des trucs" qui pourraient être générés plus efficacement avec les bons outils.
L'entreprise semble avoir testé certaines solutions existantes mais a été déçue par leur qualité ("Et le niveau est pas très bon Ouais c'est ça le problème").
La situation est d'autant plus complexe que les technologies et les outils dans ce domaine évoluent rapidement ("dans six mois ça sera sûrement différente ça va être tellement vite").

Impacts actuels

Charge de travail administrative non quantifiée : Bien que difficile à chiffrer précisément ("c'est difficile de chiffrer gain de temps"), la rédaction manuelle de documents juridiques mobilise des ressources internes qui pourraient être allouées à des tâches à plus forte valeur ajoutée.
Risque juridique lié à l'obsolescence : L'utilisation de modèles non actualisés expose l'entreprise à des risques de non-conformité avec les réglementations en vigueur, pouvant entraîner des conséquences légales.
Documents manquants ou incomplets : Certains documents réglementaires ne sont simplement pas créés ou mis à jour ("c'est des choses où on fait pas") en raison du temps nécessaire, créant des lacunes dans la couverture juridique de l'entreprise.
Inefficacité des tentatives d'automatisation : Les solutions testées jusqu'à présent n'ont pas donné satisfaction, révélant un besoin non comblé et un investissement de temps potentiellement perdu dans l'exploration de ces outils.
Dépendance à l'expertise externe : Sans capacité interne efficace pour générer ces documents, l'entreprise peut se retrouver dépendante de prestataires juridiques externes, entraînant des coûts supplémentaires.
Standardisation limitée : L'absence d'un système de génération automatisée limite la standardisation et la cohérence des documents juridiques à travers l'organisation.
Frustration des équipes : La perception que ces tâches sont fastidieuses et pourraient être automatisées ("je ne me vois pas passer des journées à rédiger") suggère une frustration potentielle des collaborateurs chargés de ces responsabilités.
Difficulté à suivre les évolutions technologiques : L'entreprise semble consciente du potentiel des technologies mais peine à suivre leur évolution rapide pour identifier et adopter les solutions les plus adaptées à ses besoins.
Incapacité à mesurer précisément l'impact : L'absence de métriques claires sur le temps consacré à ces tâches complique l'évaluation du retour sur investissement potentiel d'une solution d'automatisation.

Technologie IA applicable

🧰 Outils existants sur le marché

Gains potentiels

- Gain de temps important

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

- Il y a 2 sujets à dissocier : recherche fournisseur et analyse
- Benchmark : pure comparatif prix

L'entreprise LRDM (Le Roi Du Matelas) effectue actuellement son benchmark concurrentiel et sa recherche de fournisseurs de manière largement manuelle et non-systématisée. Le processus actuel repose sur un travail physique où des employés se déplacent directement chez les concurrents (comme But) pour observer, analyser et collecter des informations sur les produits (nombre de ressorts, caractéristiques, prix, etc.).
Ce travail de veille concurrentielle et de sourcing s'étend également à la surveillance des tendances du marché, y compris les segments qui ne sont pas directement leur cible, comme le marché du luxe. L'entreprise cherche constamment à identifier les meilleures opportunités d'approvisionnement, mais le système actuel ne permet pas une analyse efficace ni une prise de décision rapide.
La recherche de nouveaux fournisseurs ou prestataires est également problématique, car elle nécessite plusieurs démarches manuelles répétitives pour chaque besoin spécifique. Les acheteurs doivent effectuer des recherches indépendantes pour chaque besoin, sans système centralisé pour agréger les informations sur les fournisseurs potentiels et leurs performances antérieures.
De plus, l'entreprise manque d'outils permettant d'identifier rapidement les pays ou régions réputés pour certains types de produits spécifiques et de déterminer quels sont les fournisseurs de référence dans ces domaines.

Impacts actuels

Etre trop cher/pas assez cher, pas avoir les bons produits, ne pas avoir les tendances, ça change tellement vite
Temps considérable investi : Le processus de benchmark manuel est décrit comme prenant "un temps de titan", mobilisant des ressources humaines importantes qui pourraient être allouées à des tâches à plus forte valeur ajoutée.
Inefficacité du processus : Le travail physique de déplacement chez les concurrents pour collecter des informations est intrinsèquement inefficace et limité en termes de couverture géographique et temporelle.
Analyse laborieuse et subjective : Après la collecte des données, il faut "passer sur chaque ligne pour voir si c'est vraiment vrai", ce qui implique un processus d'analyse manuel susceptible d'erreurs et de biais.
Cycles de décision prolongés : La prise de décision basée sur ces analyses est décrite comme "très longue", ralentissant la réactivité de l'entreprise face aux évolutions du marché.
Connaissance limitée du marché : Sans outils pour une veille systématique, l'entreprise risque de manquer des tendances émergentes ou des opportunités d'approvisionnement avantageuses.
Recherche inefficiente de prestataires : Le processus actuel prend environ 20 minutes par recherche, répété trois fois pour chaque besoin, sans garantie d'exhaustivité ou de pertinence des résultats.
Absence de centralisation des connaissances : Les informations sur les fournisseurs et leurs spécialités ne sont pas centralisées, ce qui entraîne une perte de mémoire organisationnelle et des recherches redondantes.
Difficulté à identifier les meilleures sources d'approvisionnement : L'entreprise peine à déterminer efficacement quels pays ou régions sont spécialisés dans certains types de produits et quels fournisseurs y sont les plus réputés.

Technologie IA applicable

🧰 Outils existants sur le marché

Gains potentiels

Temps : Difficile à estimer

Temps d'implémentation

Moyen terme (3-6 mois)

Description du problème

L'entreprise LRDM (Le Roi Du Matelas) doit gérer et maintenir des fiches produits complexes sur diverses marketplaces comme Amazon, nécessitant la création et la mise à jour régulière de contenus dans quatre langues différentes. Ce processus comprend plusieurs éléments interdépendants : rédaction des titres, descriptions détaillées, mise en ligne des photos, création de visualisations 3D des couches technologiques des matelas, et production de vidéos produits.
Le processus actuel est entièrement manuel et très chronophage. Chaque nouveau produit nécessite la création complète de fiches dans chaque langue, avec toutes les spécificités techniques propres au secteur de la literie. Même pour de simples modifications comme des changements de prix, l'équipe doit mettre à jour manuellement les quatre versions linguistiques des fiches, ce qui représente un travail répétitif et susceptible d'erreurs.
La qualité des visuels pose également un défi majeur. Les photos fournies par les fabricants sont souvent de qualité insuffisante ou ne présentent pas les produits en situation d'utilisation (photos d'ambiance). De même, les visualisations techniques en coupe 3D, essentielles pour montrer la composition des matelas, sont actuellement sous-traitées à une agence externe, engendrant des coûts supplémentaires et allongeant les délais de mise en marché.
La cohérence terminologique entre les différentes langues représente un autre défi, particulièrement pour les termes techniques spécifiques au secteur de la literie, qui doivent être précisément traduits pour maintenir l'exactitude des descriptions produits.

Impacts actuels

Temps de création excessif : La création complète d'une fiche produit, avec tous ses éléments dans les quatre langues, prend actuellement environ deux jours de travail. Sur des périodes de lancement de nouveaux produits, cette tâche peut représenter jusqu'à 80% du temps de travail de l'équipe marketing.
Délais de mise en marché rallongés : Le processus manuel de création et de traduction des fiches produits constitue un goulot d'étranglement qui retarde significativement la mise en vente des nouveaux produits (time-to-market).
Coûts externes élevés : La sous-traitance des visualisations 3D à une agence externe représente un coût financier important, surtout considérant que le travail fourni se base simplement sur des photos envoyées par LRDM.
Risques d'incohérences : Les mises à jour manuelles dans quatre langues différentes augmentent le risque d'erreurs et d'incohérences entre les versions, pouvant affecter l'expérience client et la crédibilité de la marque.
Ressources limitées pour l'optimisation des contenus : Le temps considérable consacré à la création et à la maintenance des fiches produits limite la capacité de l'équipe à optimiser les contenus pour le référencement et la conversion.
Visuels de qualité insuffisante : L'impossibilité d'améliorer facilement les photos fournisseurs ou de créer rapidement des visuels d'ambiance nuit à la présentation des produits et potentiellement aux ventes.
Processus inefficient pour les changements mineurs : Même des modifications simples comme des changements de prix nécessitent un temps disproportionné (5 à 10 minutes par produit, à multiplier par le nombre de langues).
Difficulté à maintenir les fiches à jour : Face au volume de travail que représente la maintenance des fiches, certaines mises à jour peuvent être retardées ou omises, rendant l'information disponible pour les clients potentiellement obsolète.

Technologie IA applicable

🧰 Outils existants sur le marché

Gains potentiels

Gain temps énorme, 2 jours par produit minimum
(30 produits pas an)

Temps d'implémentation

Moyen terme (3-6 mois)

Description du problème

Crucial !
Tout, contenu texte, vidéo, images
L'entreprise LRDM (Le Roi Du Matelas) fait face à des défis significatifs concernant la production de visuels de qualité pour ses matelas, particulièrement pour les réseaux sociaux et supports marketing. Le problème central se décompose en deux volets principaux : la qualité insuffisante des photos de produits et la complexité de création des visualisations techniques en coupe 3D des matelas.
Actuellement, l'entreprise reçoit des photos de la part des fournisseurs, mais ces visuels sont généralement de qualité médiocre et ne présentent pas les produits en situation d'utilisation (photos d'ambiance). Pour obtenir des visuels de qualité professionnelle, l'entreprise doit recourir à des shootings photo coûteux, ce qui représente un investissement financier conséquent pour chaque nouveau produit ou collection.
Parallèlement, LRDM doit présenter la composition technique de ses matelas à travers des visualisations en coupe 3D montrant les différentes couches technologiques. Ce processus, essentiel pour mettre en valeur les caractéristiques techniques des produits, est actuellement sous-traité à une agence externe. Le processus est particulièrement inefficient car l'entreprise envoie simplement une photo du produit à l'agence, qui se contente de créer une version détaillée que LRDM pourrait potentiellement réaliser en interne avec les outils appropriés.
L'absence d'un système permettant de générer rapidement et à moindre coût des visuels de qualité (tant pour les photos d'ambiance que pour les visualisations techniques) constitue un frein significatif à la réactivité marketing de l'entreprise et à sa présence efficace sur les réseaux sociaux.

Impacts actuels

Coûts élevés de production visuelle : Les shootings photo professionnels et la sous-traitance des visualisations 3D représentent des investissements financiers significatifs pour l'entreprise.
Délais de mise en marché rallongés : L'absence de visuels rapidement disponibles retarde la commercialisation des nouveaux produits ("ton produit tu peux pas le vendre" sans images adéquates), affectant directement le "time to market" identifié comme un enjeu crucial.
Dépendance aux fournisseurs externes : La nécessité de faire appel à des agences pour la création de visuels techniques crée une dépendance qui limite la réactivité de l'entreprise.
Qualité inconsistante des visuels : Les photos fournisseurs de qualité insuffisante ne permettent pas une présentation optimale des produits sur les réseaux sociaux et autres canaux marketing.
Processus inefficient : Le système actuel où l'entreprise envoie une simple photo à une agence qui réalise ensuite une visualisation 3D témoigne d'une inefficacité processuelle que l'entreprise pourrait internaliser avec les bons outils.
Impact sur la stratégie de contenu social media : La difficulté à produire rapidement des visuels de qualité limite la capacité de l'entreprise à maintenir une présence dynamique et régulière sur les réseaux sociaux.
Désavantage concurrentiel : Dans un secteur où la présentation visuelle des produits est cruciale pour la décision d'achat, la qualité et la disponibilité limitées des visuels peuvent constituer un désavantage face à des concurrents mieux équipés.
Sous-exploitation du potentiel marketing : L'impossibilité de produire facilement des visuels variés et de qualité limite la capacité de l'entreprise à diversifier ses approches marketing et à tester différentes présentations de produits.

Technologie IA applicable

🧰 Outils existants sur le marché

Gains potentiels

- Temps : 80% d'un ETP
- Meilleure présence de l'entreprise sur les RS, réactivité sur les sujets d'actu
- Coûts : Presta ?

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

Souvent de la demande B2B
L'entreprise LRDM (Le Roi Du Matelas) traite régulièrement des demandes de devis, particulièrement dans le contexte B2B (Business-to-Business), qui nécessitent actuellement un processus manuel complexe et chronophage. Ces devis, bien que qualifiés d'"exceptionnels" dans leur fréquence actuelle, représentent néanmoins une charge de travail significative lorsqu'ils doivent être traités.
Le processus actuel de création de devis est entièrement manuel et implique plusieurs étapes laborieuses. Les collaborateurs doivent rassembler toutes les informations pertinentes concernant les produits demandés, calculer les prix en fonction des quantités et éventuelles remises, et structurer ces informations dans un document qui peut devenir extrêmement complexe. Dans certains cas, notamment pour des clients internationaux, le processus peut s'étendre sur plusieurs jours et nécessiter la préparation de multiples variantes d'offres.
La complexité est amplifiée par l'absence de modèle standardisé efficace qui pourrait faciliter la création de ces documents. Chaque devis est essentiellement créé ou adapté à partir de zéro, nécessitant une saisie manuelle répétitive d'informations et de calculs. Cette approche non-systématisée entraîne non seulement une perte de temps considérable mais augmente également le risque d'erreurs et d'incohérences.
De plus, le processus actuel n'exploite pas les données déjà disponibles dans les systèmes d'information de l'entreprise, obligeant les collaborateurs à rechercher manuellement les informations sur les produits, les prix et les spécifications techniques pour les intégrer dans le devis.

Impacts actuels

Charge de travail conséquente : La préparation d'un devis complexe peut représenter jusqu'à une journée entière de travail par semaine pour un collaborateur, avec des cas exceptionnels nécessitant jusqu'à trois jours de travail pour couvrir différents pays (France, Belgique, Pologne).
Inefficacité processuelle : Le système actuel oblige les collaborateurs à ressaisir des informations qui existent déjà dans les systèmes de l'entreprise, créant une redondance inutile et chronophage.
Risques d'erreurs accrus : La saisie manuelle des informations, prix et calculs augmente significativement le risque d'erreurs, particulièrement dans les devis complexes pouvant contenir jusqu'à 100 lignes de produits.
Manque de standardisation : L'absence de modèle efficace et complet entraîne des variations dans la présentation et la structure des devis, affectant potentiellement la perception professionnelle des clients.
Délais de réponse allongés : Le temps nécessaire pour créer manuellement ces devis retarde la réponse aux clients, ce qui peut affecter négativement l'expérience client et potentiellement réduire les chances de conversion.
Complexité des variantes : La nécessité de créer plusieurs versions d'une offre (avec différents niveaux de remise, par exemple) multiplie le travail requis et la complexité du document final.
Difficultés de traduction : Pour les clients internationaux, le processus nécessite également de traduire le contenu du devis dans différentes langues, ajoutant une couche supplémentaire de complexité et de temps nécessaire.
Limitation de l'évolutivité : Le système actuel ne permet pas de répondre efficacement à une augmentation du volume de demandes de devis, ce qui pourrait restreindre la capacité de l'entreprise à développer son activité B2B.

Technologie IA applicable

📋 Réorganisation des processus

Gains potentiels

environ 1 journée/semaine économisée, mais ça dépend

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

LRDM fait face à un processus complexe et chronophage de gestion des notes de crédit fournisseurs dans le cadre du service après-vente. Ce processus s'intègre dans une chaîne de traitement plus large impliquant plusieurs parties prenantes et étapes :

Initialement, un client mécontent contacte le magasin où il a effectué son achat pour signaler un problème avec un produit (typiquement un matelas).
Le magasin transmet au client un dossier de réclamation à compléter, que ce dernier renvoie souvent de façon incomplète.
S'ensuit alors un cycle d'échanges parfois tendu entre le client, le magasin et le service SAV pour obtenir toutes les informations nécessaires.
Une fois le dossier complet, le service SAV doit l'analyser pour déterminer si la réclamation est légitime et si elle relève de la responsabilité d'un fournisseur.
Dans ce cas, une note de crédit doit être demandée au fournisseur concerné, ce qui implique de créer un dossier spécifique en compilant les informations du client, les données techniques du produit, les preuves du défaut (comme des photos d'un matelas défectueux) et les justificatifs nécessaires.
Cette partie du processus est particulièrement chronophage car elle nécessite de piocher des informations dans différentes bases de données et systèmes d'information, puis de les formater selon les exigences propres à chaque fournisseur.

Le système actuel est largement manuel, avec une dépendance forte à Excel pour le suivi des dossiers. L'entreprise utilise un outil (probablement Zendesk) pour gérer la partie initiale du SAV client, mais la partie traitement des notes de crédit fournisseurs reste peu automatisée.

Impacts actuels

Chaîne de validation complexe et inefficace : Le processus actuel implique de multiples allers-retours entre le client, le magasin et le service SAV, créant des délais et des frustrations pour toutes les parties.
Charge de travail administrative élevée : L'équipe SAV consacre un temps considérable à compiler manuellement les informations nécessaires pour constituer les dossiers de demande de note de crédit auprès des fournisseurs.
Manque d'uniformisation : Chaque demande de note de crédit peut nécessiter un format différent selon le fournisseur concerné, multipliant les tâches spécifiques à maîtriser par l'équipe.
Risque d'erreurs humaines : Le processus manuel de compilation des données augmente les risques d'erreurs dans la transmission des informations aux fournisseurs.
Délais de traitement étendus : La complexité du processus allonge les délais de résolution pour le client final et de récupération des sommes dues par les fournisseurs pour l'entreprise.
Dépendance à l'expertise humaine : L'analyse des dossiers, notamment des preuves visuelles comme les photos de défauts (référencées comme "bâton" dans la discussion, probablement un outil de mesure pour vérifier les défauts des matelas), repose entièrement sur l'évaluation subjective du personnel SAV.
Défis d'évaluation technique : L'équipe doit juger de la validité des réclamations en examinant des preuves comme la mesure de l'affaissement d'un matelas (exemple mentionné: "2 cm entre le bâton et ton matelas"), ce qui requiert une expertise technique qui pourrait être partiellement automatisée.
Difficultés de suivi et de reporting : Le système actuel complique le suivi global des demandes de notes de crédit et l'analyse des tendances concernant les défauts produits et la performance des fournisseurs.
Expérience client dégradée : Le participant décrit le processus comme "pas dingue, pas fou du tout", indiquant que la complexité et les délais finissent par frustrer les clients, pouvant affecter la réputation de l'entreprise.

Technologie IA applicable

📋 Réorganisation des processus

Gains potentiels

Chronophage

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

déjà vu
LRDM fait face à plusieurs défis dans la gestion et la création de contenu pour ses plateformes de réseaux sociaux (LinkedIn, Facebook et Instagram) :

L'entreprise peine à maintenir une présence régulière et constante sur les différents réseaux sociaux, particulièrement pendant les périodes d'absence des collaborateurs en charge de la communication digitale (congés, maladie, etc.).
Le processus actuel de création de contenu est entièrement manuel, nécessitant un investissement temps considérable pour concevoir, rédiger, programmer et publier chaque post sur les différentes plateformes.
L'équipe ne dispose pas d'un système efficace pour planifier et pré-programmer des publications à l'avance, ce qui crée des discontinuités dans la stratégie de communication et limite l'impact de leur présence sur les réseaux sociaux.
La nécessité de créer des contenus adaptés à chaque plateforme (LinkedIn, Facebook, Instagram) multiplie la charge de travail, chaque réseau ayant ses spécificités en termes de format, ton et type de contenu attendu.
L'entreprise souhaite maintenir un équilibre délicat entre l'automatisation pour gagner en efficacité et la conservation d'une "interaction humaine" dans ses publications pour préserver l'authenticité de sa communication.
Le processus actuel ne permet pas d'exploiter efficacement l'actualité ou les tendances, car la création de contenu réactif demande trop de temps et de ressources dans le système manuel en place.
L'entreprise semble avoir une conscience partielle des outils disponibles sur le marché qui pourraient répondre à ce besoin (mentionnant avoir vu un outil pour LinkedIn), mais n'a pas encore implémenté de solution complète et intégrée.

Impacts actuels

L'entreprise peine à maintenir une présence régulière et constante sur les différents réseaux sociaux, particulièrement pendant les périodes d'absence des collaborateurs en charge de la communication digitale (congés, maladie, etc.).
Le processus actuel de création de contenu est entièrement manuel, nécessitant un investissement temps considérable pour concevoir, rédiger, programmer et publier chaque post sur les différentes plateformes.
L'équipe ne dispose pas d'un système efficace pour planifier et pré-programmer des publications à l'avance, ce qui crée des discontinuités dans la stratégie de communication et limite l'impact de leur présence sur les réseaux sociaux.
La nécessité de créer des contenus adaptés à chaque plateforme (LinkedIn, Facebook, Instagram) multiplie la charge de travail, chaque réseau ayant ses spécificités en termes de format, ton et type de contenu attendu.
L'entreprise souhaite maintenir un équilibre délicat entre l'automatisation pour gagner en efficacité et la conservation d'une "interaction humaine" dans ses publications pour préserver l'authenticité de sa communication.
Le processus actuel ne permet pas d'exploiter efficacement l'actualité ou les tendances, car la création de contenu réactif demande trop de temps et de ressources dans le système manuel en place.
L'entreprise semble avoir une conscience partielle des outils disponibles sur le marché qui pourraient répondre à ce besoin (mentionnant avoir vu un outil pour LinkedIn), mais n'a pas encore implémenté de solution complète et intégrée.

Les impacts actuels identifiés

Discontinuité de la présence sociale : L'absence de publication régulière, notamment pendant les périodes de congés ou de forte charge de travail, affaiblit la visibilité de la marque et l'engagement de sa communauté en ligne.
Mobilisation excessive de ressources : La création manuelle de contenu pour chaque plateforme consomme un temps considérable qui pourrait être alloué à des tâches marketing à plus forte valeur ajoutée ou à l'amélioration de la stratégie globale.
Réactivité limitée : L'impossibilité de produire rapidement du contenu pertinent en réaction à l'actualité ou aux tendances du secteur diminue l'impact potentiel de la présence sociale de l'entreprise.
Sous-exploitation du potentiel des plateformes : Sans contenu régulier et optimisé pour chaque réseau, LRDM ne profite pas pleinement du potentiel de visibilité et d'engagement offert par les différentes plateformes.
Incohérence potentielle du message : Sans système centralisé de création et validation, le risque d'incohérence dans la communication de la marque augmente, particulièrement lors des périodes de transition entre différents collaborateurs.
Pression sur l'équipe marketing : La nécessité de maintenir une présence sociale active sans outils d'automatisation crée une pression constante sur l'équipe marketing, qui doit jongler entre cette tâche récurrente et ses autres responsabilités.
Limitation de la diversité des contenus : Le temps nécessaire à la création manuelle restreint la variété des contenus publiés, l'équipe privilégiant probablement les formats les plus rapides à produire au détriment de contenus potentiellement plus engageants mais plus complexes à créer.
Inefficacité budgétaire : Bien qu'un budget soit apparemment alloué aux réseaux sociaux, l'absence d'automatisation ne permet pas d'optimiser le retour sur cet investissement, une partie significative étant consacrée à des tâches répétitives plutôt qu'à la création de valeur.
Désavantage concurrentiel : Face à des concurrents utilisant potentiellement déjà des outils d'automatisation pour leur présence sociale, LRDM risque de paraître moins active et moins pertinente dans l'écosystème digital de son secteur.

Technologie IA applicable

💭 Autre

Gains potentiels

-

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

Sujet groupe, train en retard sur tous les services (Eco participation pour les Achat)
LRDM rencontre des difficultés importantes dans le suivi et l'application des évolutions réglementaires et légales qui affectent son secteur d'activité. L'entreprise ne dispose pas d'un système structuré et proactif de veille réglementaire, ce qui entraîne plusieurs problématiques :

L'information concernant les nouvelles obligations légales ou les modifications réglementaires arrive souvent tardivement aux équipes concernées, créant des situations d'urgence pour se mettre en conformité.
La responsabilité de la veille réglementaire semble diluée entre différents services, sans qu'une centralisation efficace ne soit mise en place, conduisant à des "trains de retard" dans plusieurs départements.
L'entreprise a récemment été confrontée à un cas concret avec le changement des éco-participations sur ses produits, information reçue trop tard et ayant généré une situation de "rush" pour adapter les processus et la documentation.
Il n'existe pas de système d'alerte anticipée permettant de connaître suffisamment à l'avance les changements réglementaires qui pourraient impacter différents aspects de l'activité (RH, vente, conditions générales, traitement des données, etc.).
La veille réglementaire actuelle semble très artisanale, potentiellement basée sur des consultations occasionnelles de sources comme LinkedIn, sans méthodologie systématique ni outils spécialisés.
L'entreprise manque également de ressources ou de processus dédiés à l'adaptation de documents réglementaires comme les politiques de confidentialité ou autres documents liés à la sécurité informatique, considérant cette tâche comme trop chronophage pour être réalisée en interne.
Les évolutions juridiques sont multiples et touchent différents domaines (droit du travail, droit commercial, réglementations produits, RGPD, etc.), rendant difficile un suivi exhaustif sans outil dédié.

Impacts actuels

- Passer à côté d'éléments réglementaire
- Mauvaises interprétations
- Amendes
Risque de non-conformité : L'entreprise s'expose à des amendes et sanctions en cas de non-respect des obligations légales, par méconnaissance des évolutions réglementaires.
Gestion de crise récurrente : Les changements réglementaires créent régulièrement des situations d'urgence ("rush") mobilisant les équipes dans une logique réactive plutôt que préventive.
Mauvaises interprétations juridiques : Sans accès à des analyses juridiques fiables, l'entreprise peut mal interpréter certaines obligations ("on pense que on doit faire ça finalement c'est pas ça"), menant à des efforts inutiles ou à des risques de non-conformité.
Inefficacité opérationnelle : Les équipes doivent régulièrement interrompre leurs activités principales pour traiter en urgence des mises en conformité réglementaires, perturbant les plannings et priorités.
Documentation juridique obsolète : Certains documents réglementaires comme les politiques de confidentialité ne sont pas tenus à jour par manque de temps et de ressources dédiées, créant un risque juridique supplémentaire.
Désavantage concurrentiel : Une entreprise toujours en retard dans l'application des nouvelles réglementations peut paraître moins professionnelle aux yeux des clients, particulièrement dans des domaines sensibles comme la protection des données.
Risque financier : Au-delà des amendes potentielles, une non-conformité peut entraîner des coûts indirects significatifs (rappels de produits, modification d'étiquetage, etc.) si détectée tardivement.
Stress organisationnel : La pression de devoir constamment rattraper des retards réglementaires crée un stress supplémentaire pour les équipes et une impression de toujours "courir après" les obligations.
Absence de capitalisation : Sans système structuré, l'entreprise ne capitalise pas sur les expériences précédentes de mise en conformité, reproduisant potentiellement les mêmes difficultés à chaque nouvelle évolution.

Technologie IA applicable

💻 Développement sur mesure

Gains potentiels

Temps de veille énorme

Temps d'implémentation

Moyen terme (3-6 mois)

Description du problème

Explorer l'option Zendesk
Le service après-vente de LRDM est confronté à un volume considérable de demandes clients, recevant environ 70 à 80 tickets par jour. La gestion actuelle de ces sollicitations présente plusieurs problématiques majeures :

L'équipe SAV consacre une part très importante de sa journée (environ 5 heures quotidiennes) au traitement manuel des emails clients, ce qui les mobilise de 9h à 16h en moyenne.
Le processus de traitement est largement artisanal : chaque demande nécessite une analyse individuelle, la rédaction d'une réponse personnalisée, et parfois plusieurs échanges pour obtenir les informations complètes.
Le système de tri des demandes est rudimentaire, basé auparavant sur un simple code couleur dans Outlook. L'entreprise a récemment adopté Zendesk, mais l'utilisation de cet outil reste basique et n'exploite pas pleinement ses capacités d'automatisation.
Une première tentative d'implémentation d'un système de réponses automatiques environ un an auparavant s'est soldée par un échec, le système donnant des réponses "complètement à côté" sur certaines variantes de demandes clients.
L'entreprise a conscience qu'une nouvelle version de sa solution d'automatisation pourrait offrir de meilleures performances, mais semble ne pas disposer des accès ou licences nécessaires pour la tester.
Le parcours client actuel est complexe et source de frustration : un client contacte d'abord le magasin, qui lui transmet un dossier à compléter, lequel est souvent retourné incomplet, nécessitant des échanges supplémentaires qui peuvent générer des tensions, avant que le service SAV ne puisse véritablement traiter la demande.
Le système actuel ne permet pas une priorisation efficace des demandes en fonction de leur urgence, leur complexité ou leur impact potentiel sur la satisfaction client.

Impacts actuels

Productivité réduite : Plus de 60% de la journée de travail du service client est consacrée à la simple gestion des emails, limitant le temps disponible pour d'autres tâches à plus forte valeur ajoutée ou pour le traitement des cas complexes.
Délais de réponse allongés : Le traitement séquentiel et manuel des demandes entraîne des temps d'attente significatifs pour les clients, avec des réponses qui ne sont finalisées qu'en fin de journée pour les requêtes arrivées le matin.
Expérience client dégradée : Le processus actuel, décrit comme "pas dingue, pas fou du tout" par les participants, crée une expérience client fragmentée avec de multiples points de contact et des allers-retours fastidieux.
Escalade des mécontentements : Le cycle des dossiers incomplets → relances → frustration client → intervention du magasin génère une spirale négative qui complique la résolution des problèmes et détériore la relation client.
Charge émotionnelle pour les équipes : La gestion de clients mécontents ou frustrés par les délais et la complexité du processus crée une pression psychologique sur les équipes SAV et magasins.
Inefficacité des ressources : L'absence d'un système intelligent de tri fait que toutes les demandes, qu'elles soient simples ou complexes, suivent le même processus et mobilisent un niveau similaire de ressources.
Manque d'uniformité des réponses : Sans automatisation efficace, la qualité et la cohérence des réponses dépendent fortement de l'agent qui traite la demande, pouvant créer des incohérences dans l'information transmise aux clients.
Perte d'opportunités d'apprentissage : En l'absence d'analyse systématique des tickets, l'entreprise perd l'opportunité d'identifier des tendances ou problèmes récurrents qui pourraient être adressés de façon proactive.
Sous-exploitation des outils : Malgré l'investissement dans Zendesk, l'entreprise n'utilise pas pleinement les capacités d'automatisation de cette plateforme, représentant un retour sur investissement sous-optimal.

Technologie IA applicable

🧰 Outils existants sur le marché

Gains potentiels

-

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

Concernant les cahiers des charges pour appels d'offres :

L'entreprise ne dispose pas d'une méthodologie standardisée ni de modèles établis pour ses cahiers des charges, ce qui entraîne une "réinvention" constante du format et du contenu à chaque nouvel appel d'offres.
En l'absence de template structuré, l'équipe oublie régulièrement d'inclure certaines informations importantes qui avaient pourtant été identifiées lors de précédents appels d'offres.
Les spécifications à recueillir sont nombreuses et variées (composition du produit, conditionnement, packaging, labellisations, etc.), rendant complexe la création d'un document exhaustif sans guide préétabli.
Chaque appel d'offres nécessite actuellement un investissement temps important pour recréer une structure adaptée, au lieu de se concentrer sur les spécifications particulières du produit recherché.
Des disparités existent dans les formats utilisés, certains services disposant de leurs propres grilles ou exigences, sans harmonisation à l'échelle de l'entreprise.

Concernant la création de visuels techniques :

L'entreprise dépend actuellement d'agences externes pour créer des visualisations 3D des matelas, montrant les différentes couches technologiques qui composent le produit.
Le processus est coûteux financièrement et implique des allers-retours entre LRDM et les prestataires externes.
Le processus actuel consiste à envoyer une simple photo du produit à l'agence, qui crée ensuite la visualisation détaillée des couches internes.
L'équipe estime que ce travail pourrait potentiellement être réalisé en interne avec les bons outils, puisqu'il s'agit essentiellement de transformer une photo existante en représentation détaillée.

Impacts actuels

Perte de temps considérable : La création récurrente de nouveaux formats de cahiers des charges est décrite comme "hyper chronophage", mobilisant des ressources qui pourraient être allouées à d'autres activités stratégiques.
Qualité inégale des appels d'offres : L'absence de standardisation entraîne des variations dans la qualité et l'exhaustivité des appels d'offres, pouvant affecter la pertinence des offres reçues des fournisseurs.
Risques d'oublis critiques : Comme mentionné dans la discussion ("on oublie des trucs qu'on avait mis"), l'équipe risque d'omettre des informations essentielles, pouvant entraîner des malentendus avec les fournisseurs ou des produits non conformes aux attentes.
Allongement du "time to market" : L'absence d'un processus efficace pour les visuels techniques retarde la mise en marché des nouveaux produits, comme souligné dans la transcription ("t'as pas d'image, ton produit tu peux pas le vendre").
Coûts externes élevés : Les frais d'agence pour la création de visualisations 3D représentent une dépense significative et récurrente pour l'entreprise.
Dépendance aux prestataires externes : Le recours systématique à des agences pour les visuels crée une dépendance et allonge les délais de production, l'entreprise devant attendre les retours des prestataires.
Manque de capitalisation sur l'expérience : Sans modèle standardisé conservant les meilleures pratiques, l'entreprise ne capitalise pas sur son expérience et reproduit potentiellement les mêmes erreurs d'un appel d'offres à l'autre.
Impact commercial négatif : Sans visuels de qualité disponibles rapidement, la commercialisation des produits est retardée, affectant potentiellement les ventes et la compétitivité de l'entreprise.
Frustration des équipes : Le sentiment de "réinventer la roue" à chaque fois génère probablement une frustration au sein des équipes impliquées dans ces processus répétitifs et inefficaces.

Technologie IA applicable

📋 Réorganisation des processus

Gains potentiels

-

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

- avoir aussi un fichier excel pour un besoin spécifique quel prestataire je peux questionner

LRDM fait face à un processus laborieux et chronophage pour la création et la gestion des demandes de devis auprès de prestataires marketing. Le problème comporte plusieurs dimensions :

Pour chaque projet marketing nécessitant un devis comparatif, l'équipe doit actuellement effectuer trois demandes distinctes auprès de différents prestataires pour obtenir des indicateurs de prix et déterminer le meilleur rapport qualité-prix.
Ce processus est particulièrement chronophage, nécessitant parfois une journée complète de travail pour préparer une seule demande de devis, et jusqu'à trois jours pour des projets plus complexes impliquant plusieurs marchés (comme mentionné pour un projet concernant la Pologne, la France et la Belgique).
Chaque demande de devis est généralement traitée "au cas par cas", nécessitant une personnalisation importante en fonction du produit ou service concerné, sans modèle standardisé efficace.
La création des devis implique souvent la génération de multiples variantes (jusqu'à trois offres différentes avec des options de remise variables comme 10%), multipliant le travail de préparation.
Le processus actuel comporte plusieurs étapes manuelles fastidieuses : collecte des informations, mise en forme, calculs des prix, création de documents structurés pouvant contenir "jusqu'à 100 lignes", consolidation des données provenant de sources diverses et parfois conversion de documents papier en format numérique.
Bien que ce type de demande soit décrit comme "exceptionnel", l'entreprise souhaiterait paradoxalement que cela devienne "plus" fréquent, suggérant que le processus actuel limite le recours à des prestataires externes qui pourrait être bénéfique.
Il existe une incertitude au sein de l'équipe quant à la possibilité d'automatiser efficacement ce processus compte tenu de la spécificité de chaque demande et de la nécessité d'intégrer des données personnalisées.

Impacts actuels

Investissement temps considérable : La préparation des demandes de devis mobilise actuellement jusqu'à une journée complète par semaine pour un collaborateur, voire plusieurs jours pour des projets complexes multi-marchés (trois jours pour un projet couvrant la Pologne, la France et la Belgique).
Limitation de la capacité comparative : Le temps nécessaire à la préparation des demandes peut limiter le nombre de prestataires consultés, réduisant potentiellement les opportunités d'obtenir le meilleur rapport qualité-prix.
Complexité des calculs : Les calculs de prix et la consolidation des données sont décrits comme "affreux", suggérant un processus sujet aux erreurs et particulièrement pénible pour les équipes.
Manque de standardisation : L'absence d'un modèle unifié et efficace pour les demandes de devis entraîne une variabilité dans la qualité et la complétude des demandes envoyées aux prestataires.
Contrainte sur le développement marketing : Le caractère chronophage du processus pourrait dissuader l'équipe de solliciter des prestataires externes aussi souvent qu'elle le souhaiterait, limitant potentiellement le déploiement d'actions marketing supplémentaires.
Perte d'opportunités d'optimisation des coûts : Un processus de demande de devis inefficace peut aboutir à des choix de prestataires non optimaux en termes de rapport qualité-prix, générant des surcoûts évitables.
Frustration des équipes : La lourdeur du processus actuel, avec ses multiples étapes manuelles et sa complexité, crée une frustration perceptible chez les collaborateurs en charge de ces tâches.
Difficulté de mise à l'échelle : Le processus actuel n'est pas facilement extensible si le volume de demandes devait augmenter, créant un goulot d'étranglement potentiel dans les opérations marketing de l'entreprise.
Incohérence méthodologique : L'approche au cas par cas, sans cadre structuré, peut conduire à des disparités dans la façon dont les prestataires sont évalués d'un projet à l'autre, compliquant la comparaison objective des offres.

Technologie IA applicable

💻 Développement sur mesure

Gains potentiels

Temps : 20 mn par jour

Temps d'implémentation

Moyen terme (3-6 mois)

Description du problème

- Voir s'il existe des outils d'organisation de tournées (mais peut-être trop cher)
- Il y a 2 camions qui tournent
L'entreprise LRDM (Le Roi Du Matelas) gère actuellement ses tournées de livraison vers ses différents magasins de manière essentiellement manuelle et basée sur l'expérience. Le processus actuel repose fortement sur la connaissance humaine et l'expertise d'une personne spécifique qui organise les tournées en tenant compte de contraintes multiples comme les heures de travail des chauffeurs, les kilométrages à respecter, et la répartition optimale des marchandises dans les camions.
Chaque jour, l'équipe logistique exporte les besoins de livraison et procède manuellement à l'attribution des marchandises aux différents camions, en définissant les itinéraires pour chaque destination. Ce système, bien que fonctionnel, dépend fortement de l'expérience et du "bon sens" de la personne qui gère les tournées, créant une dépendance organisationnelle problématique, particulièrement en cas d'absence.
Les tournées sont relativement stables depuis environ quatre ans, avec peu d'évolution ou d'optimisation, malgré l'existence de règles métiers qui pourraient être systématisées. L'entreprise dispose d'une flotte réduite (deux camions mentionnés), ce qui limite l'échelle des opérations mais simplifie également la gestion actuelle.
Un défi supplémentaire se pose lors de l'intégration de nouveaux magasins dans le réseau, nécessitant une période d'adaptation par essais-erreurs pour déterminer la meilleure façon d'intégrer ces nouvelles destinations dans les tournées existantes.
Par ailleurs, le suivi des kilomètres parcourus n'est pas réalisé de façon systématique, ce qui limite la capacité de l'entreprise à analyser et optimiser précisément les coûts de transport.

Impacts actuels

Dépendance à l'expertise individuelle : L'organisation des tournées repose sur les connaissances et l'expérience d'une personne spécifique, créant une vulnérabilité organisationnelle significative en cas d'absence ou de départ.
Absence d'optimisation systématique : Sans outil d'optimisation, l'entreprise ne peut pas facilement identifier des configurations de tournées potentiellement plus efficaces qui réduiraient les délais ou les coûts.
Difficultés lors de l'intégration de nouveaux magasins : L'incorporation de nouvelles destinations dans les tournées existantes nécessite une période d'adaptation par essais-erreurs, ce qui peut temporairement réduire l'efficacité globale.
Manque de flexibilité : Les tournées étant relativement fixes depuis quatre ans, le système manque d'adaptabilité face aux changements de conditions (trafic, saisonnalité, priorités commerciales).
Sous-optimisation potentielle des ressources : Sans analyse systématique, l'entreprise pourrait ne pas exploiter pleinement la capacité de ses camions ou optimiser le nombre de tournées par véhicule et par jour.
Gestion complexe en cas d'imprévu : L'absence d'un système d'aide à la décision rend la réorganisation des tournées complexe en cas d'imprévu (panne, absence, retard de livraison).
Suivi limité des performances : Le manque de suivi systématique des kilomètres parcourus et autres métriques limite la capacité d'analyse et d'amélioration continue.
Potentiel d'économies inexploité : Comme mentionné dans la transcription, une meilleure organisation permettant de faire deux tournées par jour avec le même camion pourrait diviser les coûts de transport par deux pour certaines destinations.

Technologie IA applicable

💻 Développement sur mesure

Gains potentiels

- 1h par jour
- Compliqué quand la personne qui s'en occupe est en congés

Temps d'implémentation

Moyen terme (3-6 mois)

Description du problème

Fait sous Excel avec des formules (saisonnalité, tendances de ventes, temps de prod, délais de livraison)
L'entreprise LRDM utilise actuellement un système de calcul des besoins de réapprovisionnement basé principalement sur des formules Excel, qui prend en compte différents facteurs comme la saisonnalité, les tendances de vente, les délais de production et de livraison. Ce système présente plusieurs limitations :

Le processus actuel repose sur des formules Excel relativement simples qui, bien que fonctionnelles pour un petit catalogue (environ 10 produits), risquent de devenir insuffisantes avec l'expansion de la gamme.
Un collaborateur a tenté d'améliorer le système via une solution développée avec GPT, mais cette solution reste fragile car il n'en maîtrise pas complètement le code sous-jacent, ce qui pose des problèmes potentiels de maintenance et d'évolutivité.
Les produits provenant essentiellement de Chine, les délais d'approvisionnement sont particulièrement longs, ce qui rend crucial la précision des prévisions pour éviter les ruptures de stock ou les surstocks.
Le système actuel manque de sophistication dans l'intégration des multiples facteurs qui peuvent influencer les besoins de réapprovisionnement, notamment dans un contexte où les produits ont des caractéristiques et des comportements de vente différents.
La méthode utilisée ne permet pas une adaptation dynamique aux changements soudains du marché ou aux imprévus dans la chaîne d'approvisionnement.

Impacts actuels

Charge de travail mensuelle : Le calcul et l'analyse des besoins de réapprovisionnement occupent environ une journée par mois. Bien que ce temps ne soit pas considéré comme excessif par l'équipe, il représente néanmoins une mobilisation régulière de ressources.
Risque de dégradation de la qualité : Si le catalogue de produits s'étoffe (passage de 10 à 50 produits évoqué), le système actuel risque de devenir inadéquat, ce qui pourrait entraîner une baisse de la précision des prévisions.
Fragilité technique : La solution développée avec GPT n'est pas pleinement comprise par l'utilisateur, créant un risque de dysfonctionnement ("ça peut foirer") si des modifications deviennent nécessaires ou si le volume de données augmente significativement.
Précision sous-optimale : Bien que jugé "satisfaisant" dans le contexte actuel, le système ne fournit pas le niveau de précision qu'un algorithme d'apprentissage machine pourrait offrir en intégrant davantage de variables et en analysant plus finement les données historiques.
Manque d'adaptabilité : Le système actuel n'est probablement pas assez réactif pour s'adapter rapidement aux variations imprévues du marché ou aux contraintes d'approvisionnement, particulièrement problématiques avec des fournisseurs éloignés (Chine).
Limitation au niveau de la croissance : Le système représente un frein potentiel à la croissance de l'entreprise, puisqu'il pourrait devenir un goulot d'étranglement opérationnel si le catalogue de produits s'étend significativement.
Optimisation financière limitée : Une gestion des stocks sous-optimale entraîne des immobilisations financières inutiles (surstocks) ou des manques à gagner (ruptures), impactant directement la rentabilité de l'entreprise.
Dépendance à l'expertise humaine : Le système repose fortement sur la connaissance accumulée par les personnes qui l'utilisent, créant une vulnérabilité en cas d'absence ou de départ de ces collaborateurs.

Technologie IA applicable

🤖 Machine Learning

Gains potentiels

1 jour par mois
Précision et qualité du stock

Temps d'implémentation

Moyen terme (3-6 mois)

Description du problème

- Peut être généraliser à toute l'entreprise
Le service financier de LRDM fait face à un volume important de demandes internes basiques provenant principalement des magasins, qui monopolisent une partie significative du temps de l'équipe comptable. Ces sollicitations concernent des informations relativement simples mais récurrentes comme le statut des paiements (si une facture spécifique a été payée et quand), les échéances à venir, ou diverses données financières accessibles dans les systèmes d'information de l'entreprise.
Actuellement, ces demandes sont gérées manuellement par le personnel comptable qui doit :

Recevoir et traiter chaque demande individuellement
Accéder aux différents systèmes d'information pour rechercher les données pertinentes
Fournir une réponse personnalisée

Ce processus est particulièrement inefficace car :

Les mêmes questions reviennent fréquemment
Les demandes proviennent souvent de nouveaux employés en magasin qui ne connaissent pas encore les procédures
Le service comptable doit interrompre ses tâches principales pour répondre à ces questions basiques
L'information existe déjà dans les systèmes mais n'est pas facilement accessible aux équipes en magasin

L'entreprise envisage donc la mise en place d'un chatbot comptable qui pourrait automatiser les réponses aux questions courantes, interroger directement les systèmes d'information (factures, calendriers de paiement, etc.) et fournir des réponses immédiates sans nécessiter l'intervention humaine du service comptable.

Impacts actuels

Charge de travail significative : Ces demandes représentent approximativement une journée de travail par mois pour l'équipe comptable, qui doit constamment interrompre ses tâches principales pour répondre aux questions basiques des magasins.
Délais de réponse : Les magasins doivent attendre que le service comptable soit disponible pour obtenir des informations, ce qui peut retarder leurs propres processus ou interactions avec les clients.
Frustration interne : La répétition des mêmes questions, particulièrement lorsqu'elles proviennent de nouveaux employés, crée une certaine lassitude au sein de l'équipe comptable qui doit continuellement refournir les mêmes informations.
Risque d'erreurs : La transmission manuelle d'informations augmente le risque d'erreurs ou d'incompréhensions entre les services.
Perte d'autonomie des magasins : Les équipes en magasin restent dépendantes du service comptable pour des informations qu'elles pourraient théoriquement obtenir par elles-mêmes avec un accès approprié.
Manque de standardisation : Sans système automatisé, les réponses peuvent varier en fonction de la personne qui répond, créant des incohérences dans l'information transmise.
Inefficacité organisationnelle : Le temps consacré à répondre aux questions basiques réduit celui disponible pour des tâches à plus forte valeur ajoutée comme l'analyse financière ou l'optimisation des processus comptables.
Problème d'évolutivité : Ce mode de fonctionnement ne pourra pas s'adapter efficacement à la croissance de l'entreprise et à l'augmentation du nombre de magasins, qui génèrerait mécaniquement plus de demandes.

Technologie IA applicable

🧰 Outils existants sur le marché

Gains potentiels

1 journée dans le mois

Temps d'implémentation

Moyen terme (3-6 mois)

Description du problème

LRDM rencontre des difficultés significatives dans la gestion et l'analyse de ses données financières, notamment concernant le suivi et les prévisions de trésorerie. Le problème se caractérise par plusieurs aspects :

L'entreprise ne dispose pas actuellement d'un système permettant de visualiser dynamiquement et en temps réel ses flux de trésorerie (entrées et sorties d'argent), ce qui complique la prise de décision financière.
Les informations financières sont dispersées dans différents systèmes et logiciels comptables, nécessitant un travail manuel de collecte et de consolidation avant de pouvoir être analysées efficacement.
Le processus actuel requiert d'extraire régulièrement les données de ces systèmes (dépenses, encaissements) puis de les retraiter manuellement pour obtenir une vision cohérente de la situation financière.
L'équipe financière doit investir un temps considérable pour savoir "au cas du mois" quels paiements sont effectués ou attendus afin d'évaluer correctement la position de trésorerie.
La création des rapports financiers est également chronophage, nécessitant non seulement la compilation des données mais aussi leur analyse et leur mise en forme dans un document structuré.
Le manque d'automatisation dans ce processus limite la fréquence et la précision des analyses financières, rendant difficile l'anticipation des besoins en trésorerie à court et moyen terme.
Sans vision consolidée et actualisée des flux financiers, l'entreprise peine à maintenir une "unité de trésorerie" efficace, c'est-à-dire une gestion optimisée de ses liquidités à travers ses différentes entités et opérations.
Le processus actuel ne permet pas d'établir facilement des corrélations entre les différents indicateurs financiers ni de mettre en évidence les tendances émergentes qui pourraient influencer les décisions stratégiques.

Impacts actuels

Charge de travail hebdomadaire significative : L'équipe financière consacre environ trois heures par semaine uniquement à l'extraction, la compilation et l'analyse des données financières, représentant près de 10% d'un temps plein sur une base mensuelle.
Effort supplémentaire de reporting : Au-delà de l'analyse elle-même, l'équipe doit consacrer du temps à la rédaction de rapports et comptes-rendus pour communiquer les résultats, multipliant l'investissement temps total consacré à cette activité.
Réactivité limitée : Sans tableaux dynamiques en temps réel, l'entreprise ne peut pas réagir immédiatement aux évolutions de sa situation financière, créant un décalage entre la réalité économique et la prise de décision.
Visibilité réduite sur les flux de trésorerie : La difficulté à savoir précisément et rapidement "quoi telle chose est payé ou non" limite la capacité de l'entreprise à optimiser sa gestion de trésorerie et à anticiper d'éventuelles tensions.
Risque de décisions sous-optimales : En l'absence d'une vue complète et actualisée de la situation financière, les décisions stratégiques peuvent être prises sur la base d'informations partielles ou obsolètes.
Difficulté de planification : Sans prévisions de trésorerie fiables et facilement accessibles, la planification financière à moyen et long terme devient plus complexe et moins précise.
Manque d'optimisation des ressources financières : L'absence d'une vision consolidée en temps réel peut entraîner des situations de surliquidité ou sous-liquidité temporaires qui auraient pu être évitées avec une meilleure visibilité.
Dépendance aux compétences individuelles : Le processus manuel actuel repose fortement sur l'expertise et la méthodologie des personnes qui l'exécutent, créant une vulnérabilité organisationnelle en cas d'absence ou de départ.
Efficacité limitée de la communication financière : Les rapports statiques et périodiques ne permettent pas une communication aussi efficace qu'un tableau de bord dynamique accessible aux décideurs au moment opportun.

Technologie IA applicable

💻 Développement sur mesure

Gains potentiels

- 3h par semaine

Temps d'implémentation

Court terme (< 3 mois)

Description du problème

Déjà vu !
LRDM fait actuellement face à des difficultés significatives concernant la production de vidéos de présentation pour ses produits (matelas et accessoires de literie). L'entreprise a besoin de créer régulièrement des contenus vidéos pour différentes finalités :

Présentation des caractéristiques techniques et des avantages des produits pour les sites e-commerce (leur propre site et marketplaces)
Support visuel pour la formation des équipes de vente
Contenu attractif pour les réseaux sociaux
Démonstration des produits à destination des clients

Le processus actuel de création vidéo est entièrement manuel et présente plusieurs contraintes :

Il nécessite l'organisation de sessions de tournage coûteuses, similaires aux shootings photo qui sont déjà considérés comme "très très chers" par l'entreprise
Il demande des compétences techniques spécifiques en production et montage vidéo
Il rallonge considérablement le "time to market" des nouveaux produits
Il limite la fréquence de renouvellement des contenus vidéo
Il ne permet pas de créer rapidement des variations adaptées à différents canaux (formats verticaux pour réseaux sociaux, formats horizontaux pour sites web, etc.)

L'entreprise envisage donc une solution d'automatisation de la production vidéo qui permettrait de générer des présentations de produits sans nécessiter un processus de tournage complet pour chaque nouveau contenu.

Impacts actuels

Impact financier direct : Le coût élevé de production vidéo professionnelle limite la quantité de contenu que l'entreprise peut créer, obligeant à des arbitrages budgétaires. Ces coûts incluent les équipements, le personnel technique, éventuellement la location de studio, et le temps de post-production.
Retard dans la mise sur le marché : Sans vidéos de présentation, les nouveaux produits subissent un délai supplémentaire avant d'être pleinement commercialisés ("tu peux pas le vendre"), causant un manque à gagner potentiel significatif.
Uniformité limitée de la présentation des produits : Sans processus standardisé, la qualité et le style des vidéos peuvent varier, nuisant à la cohérence de l'image de marque sur les différentes plateformes.
Inadéquation avec les besoins des réseaux sociaux : Les plateformes sociales nécessitent un flux constant de contenu vidéo frais, ce que le processus actuel ne permet pas de fournir à un rythme satisfaisant.
Sous-optimisation des ressources internes : Le temps consacré à la coordination des productions vidéo pourrait être alloué à d'autres tâches marketing à plus forte valeur ajoutée.
Manque de réactivité aux tendances : L'incapacité à produire rapidement de nouvelles vidéos empêche l'entreprise de réagir aux tendances émergentes ou aux opportunités saisonnières.
Désavantage concurrentiel : Dans un secteur où le contenu visuel est crucial pour la décision d'achat, l'absence de vidéos de qualité pour certains produits peut favoriser les concurrents mieux équipés en contenu.
Limitation des opportunités de cross-selling : Sans vidéos montrant les produits complémentaires ensemble, l'entreprise manque des occasions de promouvoir efficacement les ventes croisées.
Exploitation incomplète du potentiel commercial : Les vidéos de produits étant parmi les formats les plus engageants pour les consommateurs, leur absence ou leur rareté limite l'efficacité globale de la stratégie marketing de l'entreprise.

Technologie IA applicable

💭 Autre

Gains potentiels

-

Temps d'implémentation

Court terme (< 3 mois)