Le projet en un coup d’œil
« Fais-moi un rapport » ne définit ni un périmètre, ni un calcul, ni une date de référence. Pour 1UP Distribution, Dawap a développé un parcours qui transforme une demande métier en une lecture contrôlée, avant de restituer un tableau ou un fichier Excel.
Le projet répond à une exigence simple : les chiffres affichés dans la conversation et ceux du classeur doivent provenir du même résultat. Le modèle aide à comprendre la demande ; les données sont obtenues par une exécution encadrée.
Cette réalisation met en pratique notre expertise des agents IA pour interroger les données métier. Elle associe clarification, plan de lecture, calcul et restitution, avec des limites explicites sur ce que les données permettent de conclure.
Conserver le même périmètre jusqu’au fichier
Scénario illustratif · données fictives
Je veux un rapport des commandes du mois pour le client Exemple B.
Préciser
L’utilisateur confirme le mois et le client à retenir.
Consulter
Le tableau présente le résultat de la lecture autorisée, avec son périmètre.
Exporter
Le fichier Excel reprend ce même résultat. Son téléchargement reste privé et limité dans le temps.
Le contrôle à conserver : Une période ambiguë doit être clarifiée avant la lecture. Le parcours ne permet pas de modifier les commandes.
1. Le contexte de 1UP Distribution
1UP Distribution dispose d’informations commerciales, produit et logistiques dans son système B2B. Une analyse peut mobiliser des catégories, des tags, des marques ou des états dont les significations ne sont pas interchangeables.
Le reporting prend place dans la même application que les outils de travail. Il s’appuie sur les données disponibles dans ce périmètre et sur leur structure autorisée. Les flux avec l’ERP sont décrits dans le projet d’intégration Odoo.
2. Le périmètre et les choix de conception
Le cadrage a séparé l’interprétation d’une question de l’exécution d’une lecture. Le plan doit préciser les données, les filtres et les regroupements. Les ambiguïtés qui changent le résultat, comme le choix entre une marque et un tag, appellent une clarification.
Les itérations ont porté sur la cohérence des tableaux, le format des réponses et la restitution de plusieurs sections de rapport. La vérification compare les cellules produites aux résultats attendus, au lieu de juger seulement la formulation du commentaire.
3. Un classeur bien présenté peut masquer un mauvais périmètre
Un rapport peut sembler convaincant tout en additionnant des ensembles qui se recouvrent. Des tags produit, par exemple, ne constituent pas nécessairement des catégories exclusives. Les additionner comme des familles disjointes produirait un total trompeur.
L’objectif consiste à rendre la demande calculable avant de l’exécuter. Le périmètre, les filtres et la signification des colonnes doivent rester stables du début de la conversation jusqu’au fichier téléchargé.
4. Un plan de lecture, un résultat, plusieurs restitutions
L’assistant utilise une connaissance de la structure de données pour préparer un plan de lecture autorisé. Ce plan décrit la demande sous une forme que l’application peut contrôler. L’exécution reste en lecture seule et la restitution exploite les résultats obtenus.
Le tableau visible et le classeur Excel sont construits à partir de la même matière. Cela évite de demander au modèle de recréer indépendamment le contenu du fichier. Le commentaire accompagne les chiffres ; il ne les remplace pas.
Le parcours peut composer plusieurs sections dans une limite prévue. Si le format de sortie est incomplet ou tronqué, une reprise bornée est possible. Un second échec ne doit pas produire un faux rapport présenté comme complet.
Périmètre et ambiguïtés clarifiés
Une lecture de données contrôlée
Des lignes et des colonnes calculées
Le même résultat dans Excel
5. Ne pas transformer une donnée absente en montant calculé
La réponse distingue ce qui est disponible, ce qui manque et ce qui dépend d’une date de mise à jour. Une valorisation absente ne devient pas zéro par commodité. Une information ancienne ne doit pas être racontée comme une photographie instantanée.
Le téléchargement est privé : l’accès au fichier vérifie son propriétaire côté application et sa durée de disponibilité est limitée à vingt-quatre heures. Connaître une adresse de téléchargement ne suffit pas à accéder au rapport d’un autre utilisateur.
Lorsqu’une même question doit revenir régulièrement, le copilote de tableaux de bord prolonge ce travail en conservant le plan de lecture. Le rapport ponctuel et l’indicateur réutilisable partagent ainsi une exigence de cohérence.
6. Rapprocher le rapport de son résultat source
Les recettes consignées incluent des rapprochements cellule par cellule entre données attendues et exports. Elles ont servi à vérifier les colonnes, les lignes et les totaux, sans limiter le contrôle à l’existence d’un fichier téléchargeable.
Certains parcours de reporting ont été vérifiés en production ; les évolutions de rapports multiples ont ensuite reçu des corrections et des validations locales distinctes. Ces périmètres restent séparés : une validation d’export ne vaut pas validation de toutes les demandes possibles.
Le suivi des erreurs s’intègre à l’exploitation des traitements IA. La maintenance doit détecter un format refusé, une source devenue indisponible ou une modification de schéma avant de présenter un résultat comme exploitable.
7. Un fichier que l’on peut confronter au tableau affiché
Le résultat concret est un parcours de reporting où l’utilisateur peut préciser sa demande, lire le tableau et récupérer le même contenu dans Excel. La continuité entre question, périmètre et fichier constitue le premier bénéfice fonctionnel.
Le projet associe une interface conversationnelle à des lectures contrôlées, des limites visibles et un export privé. C’est cette chaîne qui rend le rapport vérifiable, plutôt que la seule qualité rédactionnelle de sa synthèse.
8. Conclusion
Pour 1UP Distribution, le reporting conversationnel prend sa valeur lorsque chaque résultat reste rattaché à une lecture définie. La présentation en langage naturel devient un accès supplémentaire aux données, sans dissocier le discours du calcul.
Notre approche des agents IA dédiés aux données commence par cette séparation des responsabilités. Elle permet de construire des rapports utiles, puis des indicateurs réutilisables, sur un socle que l’on peut contrôler.
