Speaker

Hugo Palmer

Leader Analytics Solutions

Description

Résumé
Découvrez comment nous avons structuré nos fondations analytiques en 4 niveaux (Gold & Mart, Metric, Semantic, Context) pour adapter notre architecture data à l’agentique, répartir les responsabilités dans un “metrics mesh”, et donner accès aux insights à nos dizaines de milliers d’utilisateurs business.

En 2025, la décentralisation de nos équipes analytiques nous a menés à une impasse classique : le "KPI Chaos". Pourtant, la base technologique était saine. Au lieu de chercher une solution miracle isolée pour l'IA, nous avons regardé ce qui fonctionnait dans l'industrie (Minerva chez Airbnb, Spotify) pour construire sur notre existant. Cet existant repose sur une couche Gold exhaustive composée de nos Core Data Products (CDP), qui centralisent toutes les activités de l'entreprise. Ces CDP viennent alimenter notre Core Data Mart (CDM), construit sur une matrice de Kimball, qui met à plat et aligne ces données sur des dimensions communes.

Puis l'IA générative et les interfaces par prompt (via Databricks Genie) sont arrivées, décuplant le volume de requêtes. Nous avons dû apprendre, parfois à nos dépens, qu'on ne peut pas tout déléguer au LLM : c'est une interface de compréhension formidable, mais qui peut amener à des coûts de compute élevés.

Dans cette conférence, nous allons vous présenter comment nous avons fait évoluer notre socle analytique :
- S'organiser en s'inspirant des autres : L'adaptation du modèle "Chapter Franchise" (cf présentation en Forward Data l’an dernier) pour aligner technologiquement +15 domaines métiers et 20 équipes pays sur l'exploitation de nos Core Data Products, et les frictions surmontées.
- La Metric Layer (Le moteur de calcul) : L'implémentation sous Databricks Metric Views par-dessus notre Core Data Mart. C'est ici que sont définies les règles de calcul SQL et notre stratégie stricte de pré-agrégation. Au lieu de scanner 500 millions de lignes en 30 secondes, nos agents répondent en 1 seconde sur 1500 lignes > les coûts diminuent, même en tenant compte de l'effet rebond de l'IA.
- La Semantic Layer (Le traducteur métier) : L'introduction des éléments de langage et descriptions métier riches (via YAML et Collibra) ajoutés sur le calcul. C'est cette couche qui explique au LLM ce que signifie l'indicateur business, évitant ainsi les hallucinations.
- Penser la suite : Context Layer et Knowledge Graph : Avoir 130 métriques consommées par notre Comex ne suffit pas. Pour fiabiliser l'IA, nous nous inspirons du Statistical Process Control (Dr. Deming) pour modéliser des arbres de KPI causaux.

Qu'est-ce que l'audience va apprendre ?
- Des retours sur l'organisation : Les vraies difficultés (et solutions) pour faire fonctionner un modèle fédéré dans la data à (très) grande échelle, en leadership transverse.
- L'architecture complète de Decathlon, structurée autour de nos 4 couches de fondation (Gold & Mart, Metric, Semantic, Context) pour l'IA générative.
- Une vision technique, qui s'affine progressivement : Les bases conceptuelles pour construire des "Metric Trees" et une Context Layer compréhensibles par les agents IA.