Ces cas illustrent notre manière de travailler. Les noms des entreprises sont anonymisés à leur demande, mais les chiffres sont réels.
Cas 1 — Prédiction de pannes pour un fabricant de machines agricoles
Le problème : des arrêts de production non planifiés coûtaient à ce fabricant flamand environ 180 000 € par trimestre. Les capteurs IoT existants généraient des données, mais personne ne les exploitait au-delà de simples seuils d'alerte.
Ce que nous avons fait : nous avons construit un modèle de maintenance prédictive basé sur des réseaux récurrents (LSTM) entraînés sur 14 mois d'historique de vibrations, température et pression hydraulique. Le modèle tourne sur un serveur local — aucune donnée ne quitte l'usine.
Résultat après 5 mois : les arrêts non planifiés ont diminué de 73 %. Le coût trimestriel est tombé à environ 48 000 €. Le retour sur investissement a été atteint en 11 semaines.
Maintenance prédictiveIoTLSTM
Cas 2 — Analyse de sentiment pour une chaîne hôtelière bruxelloise
Quatre hôtels, 23 000 avis en ligne accumulés sur cinq plateformes. L'équipe marketing lisait manuellement les commentaires négatifs — un travail de deux jours par semaine, souvent en retard.
Nous avons déployé un pipeline NLP multilingue (français, néerlandais, anglais, allemand) qui classe chaque avis par thème (propreté, accueil, petit-déjeuner, bruit, parking) et par intensité émotionnelle. Un tableau de bord Streamlit mis à jour toutes les heures remplace la lecture manuelle.
Effet concret : le temps de réponse aux plaintes critiques est passé de 9 jours à 26 heures. Le score moyen sur Booking a augmenté de 0,4 point en quatre mois. L'équipe marketing consacre désormais ce temps gagné à des campagnes ciblées.
NLPAnalyse de sentimentMultilingue
Cas 3 — Optimisation logistique pour un distributeur de pièces automobiles
Ce distributeur basé à Malines gère 12 000 références et livre 340 garages en Flandre et à Bruxelles. Le problème : des tournées de livraison planifiées manuellement, avec un taux de remplissage des camionnettes de seulement 58 %.
Nous avons développé un algorithme d'optimisation combinatoire qui intègre les fenêtres horaires des garages, le poids et volume des pièces, et les conditions de trafic en temps réel via l'API TomTom. Le planificateur génère les tournées chaque soir à 21h pour le lendemain.
Après trois mois : le taux de remplissage est monté à 81 %, le nombre de kilomètres quotidiens a baissé de 22 %, et deux tournées sur onze ont été supprimées sans perte de couverture. Le coût carburant mensuel a diminué de 3 400 €.
OptimisationLogistiqueTemps réel