Natural Language to SQL : étude de cas Qolaig x URW sur Snowflake

Natural Language to SQL : comment Qolaig a rendu les données Snowflake d'Unibail-Rodamco-Westfield (URW) accessibles à toutes les équipes

‍
Introduction

Selon une étude Sigma relayée en 2026, environ 39 % des professionnels métier ne savent pas précisément ce que signifie être "data-driven", et 76 % des experts data déclarent consacrer la moitié de leur temps à produire des rapports ad hoc pour d'autres équipes. Le cabinet Forrester va plus loin : entre 60 % et 73 % des données d'entreprise ne seraient jamais exploitées à des fins d'analyse. Le paradoxe est frappant : les entreprises investissent massivement dans des entrepôts de données modernes comme Snowflake, mais l'accès réel à cette information reste concentré entre les mains de quelques profils techniques.

C'est exactement ce constat qui a conduit Unibail-Rodamco-Westfield (URW) à faire appel à Qolaig pour concevoir un agent IA capable de transformer une question posée en langage naturel en réponse fiable, directement issue de ses données Snowflake — sans qu'aucune compétence SQL ne soit nécessaire côté utilisateur.

‍

Unibail-Rodamco-Westfield, un leader mondial de l'immobilier commercial

Unibail-Rodamco-Westfield (URW) est un groupe international de premier plan dans l'immobilier commercial, propriétaire et gestionnaire de certains des centres commerciaux les plus fréquentés au monde. Un groupe de cette envergure génère naturellement des volumes de données considérables : fréquentation par centre, taux d'occupation, performance commerciale par enseigne, indicateurs financiers par actif. Ces données étaient déjà centralisées dans Snowflake, l'un des entrepôts de données cloud les plus utilisés par les grands groupes internationaux — mais centraliser la donnée ne suffit pas à la rendre exploitable par tous.

‍

La problématique : des données Snowflake riches, mais inaccessibles aux équipes métier

Toutes les données d'URW sont hébergées dans Snowflake. Elles sont disponibles, mais inaccessibles en pratique pour la majorité des collaborateurs. Obtenir une réponse à une question aussi simple que "Quels sont nos centres les plus fréquentés ce trimestre ?" impliquait soit de maîtriser SQL, soit de solliciter les équipes Data — créant un goulot d'étranglement qui ralentissait la prise de décision à tous les niveaux de l'organisation.

En amont du projet, plusieurs enjeux clés ont été identifiés avec les équipes d'URW :

• Permettre aux équipes métier d'interroger les données sans compétences techniques
• Réduire la dépendance aux équipes Data pour des requêtes de routine
• Accélérer les cycles de décision en supprimant les délais d'intermédiation
• Rendre Snowflake réellement adopté et utilisable par des profils non techniques

Cette problématique n'est pas propre à URW : c'est l'un des points de friction les plus répandus chez les grands groupes ayant investi dans un data warehouse moderne (Snowflake, BigQuery, Redshift) sans pour autant démocratiser l'accès à l'information au-delà des équipes techniques.

‍

La solution Qolaig : un agent IA Natural Language to SQL connecté à Snowflake

Qolaig a conçu et déployé un POC (proof of concept) de Natural Language to SQL pour URW : une interface conversationnelle qui transforme une question posée en langage naturel en requête SQL exécutée directement sur Snowflake, puis restitue la réponse de façon claire et compréhensible, sans que l'utilisateur ait besoin de connaître la structure de la base de données sous-jacente.

‍

01. De la question à la donnée, sans SQL

L'utilisateur pose sa question comme il la formulerait à un collègue, par exemple :

• "Combien de magasins avons-nous aux États-Unis ?"
• "Quel est le taux d'occupation moyen par centre commercial ?"
• "Quels sont les centres les plus fréquentés ce trimestre ?"

Le système comprend l'intention de la question, identifie les tables pertinentes dans l'entrepôt Snowflake, génère la requête SQL adaptée, l'exécute directement sur la base, puis interprète les résultats via une seconde couche d'intelligence artificielle avant de les restituer en langage naturel — sans jamais exposer l'utilisateur à la complexité technique sous-jacente.

‍

02. Un glossaire métier au cœur de la fiabilité

La difficulté principale de ce type de projet n'est pas technique, elle est sémantique. Chaque entreprise a son propre vocabulaire : indicateurs maison, synonymes internes, règles de calcul spécifiques, relations entre tables qui ne sont jamais totalement documentées. Un agent IA Natural Language to SQL qui ignore ce vocabulaire métier génère des requêtes syntaxiquement correctes mais sémantiquement fausses — un risque bien plus insidieux qu'une simple erreur technique.

Qolaig a construit un glossaire métier sur mesure pour URW, permettant à l'agent IA de comprendre les définitions exactes des indicateurs propres au groupe, les synonymes utilisés par les équipes terrain, et les règles de calcul spécifiques à l'activité immobilière et commerciale d'URW. C'est cette couche de connaissance métier, construite en amont avec les équipes internes, qui garantit la pertinence et la fiabilité des requêtes générées — bien plus que la seule performance du modèle de langage utilisé.

‍

Pourquoi le Natural Language to SQL dépasse largement le cas d'URW

Le Natural Language to SQL (parfois appelé text-to-SQL) s'inscrit dans une logique plus large d'automatisation agentique appliquée à la donnée d'entreprise : un agent IA qui ne se contente pas de répondre à une question, mais qui va chercher l'information directement dans le système d'information réel de l'organisation, exécute une action (ici, une requête SQL) et restitue un résultat exploitable.

Ce cas d'usage concerne potentiellement toute entreprise ayant investi dans un entrepôt de données moderne (Snowflake, BigQuery, Redshift, Databricks) sans avoir résolu le problème de l'accès pour les profils non techniques : direction générale, équipes commerciales, marketing, opérations. Le goulot d'étranglement observé chez URW — des équipes Data submergées de requêtes de routine, un délai d'intermédiation qui ralentit la décision — se retrouve à l'identique dans la finance, l'assurance, le retail, l'industrie ou la logistique.

‍

Les résultats obtenus

• Accès aux données en langage naturel pour l'ensemble des équipes métier, sans compétence technique requise
• Réduction de la charge sur les équipes Data pour les requêtes de routine
• Adoption facilitée de Snowflake par les profils non techniques, qui n'avaient auparavant qu'un accès indirect à la donnée
• Accélération de la prise de décision grâce à la suppression des délais d'intermédiation entre une question métier et sa réponse

‍

Le retour sur investissement

Chaque question qui remontait jusqu'aux équipes Data mobilisait du temps qualifié sur des tâches à faible valeur ajoutée — exactement le type de charge que révèle l'étude Sigma citée en introduction, avec des experts data consacrant une part significative de leur temps à des rapports ad hoc plutôt qu'à des travaux à plus fort impact. En déléguant ces requêtes de routine à un agent IA, URW libère ses data engineers et data analysts pour des travaux à plus forte valeur ajoutée : modélisation avancée, projets stratégiques, gouvernance de la donnée — tout en accélérant les cycles de décision des équipes métier elles-mêmes.

‍

FAQ

Qu'est-ce que le Natural Language to SQL (text-to-SQL) ?

C'est une technologie qui permet de transformer une question posée en langage naturel en une requête SQL exécutable sur une base de données, sans que l'utilisateur ait besoin de connaître le langage SQL ni la structure de la base de données interrogée.

‍

Est-ce sécurisé de connecter un agent IA directement à un entrepôt de données comme Snowflake ?

Un projet bien cadré prévoit un périmètre d'accès défini, des règles de gouvernance claires sur les données interrogeables, et une supervision humaine sur les usages sensibles — la sécurité et la gouvernance des données doivent être pensées dès la conception du projet, pas ajoutées après coup.

‍

Quelle est la différence entre un agent IA Natural Language to SQL et un outil de Business Intelligence classique ?

Un outil de BI classique nécessite généralement de construire des tableaux de bord et des rapports à l'avance, sur des questions anticipées. Un agent IA Natural Language to SQL répond à des questions formulées librement, y compris des questions non anticipées à l'avance, en générant la requête correspondante à la volée.

‍

Pourquoi un glossaire métier est-il indispensable à ce type de projet ?

Parce que la principale source d'erreur n'est pas technique mais sémantique : sans comprendre le vocabulaire, les synonymes et les règles de calcul propres à une entreprise, un agent IA peut générer une requête techniquement valide mais dont le résultat ne correspond pas à ce que l'utilisateur cherchait réellement.

‍

Ce type de projet est-il réservé aux grands groupes disposant d'un data warehouse comme Snowflake ?

Non. La logique s'applique à toute entreprise disposant de données structurées, quel que soit l'outil utilisé pour les héberger. Le facteur déterminant n'est pas la taille de l'entreprise mais le volume de questions récurrentes qui remontent aujourd'hui vers une équipe technique alors qu'elles pourraient être traitées en autonomie par les équipes métier.

‍

Passer à l'action

Ce projet illustre une conviction centrale de notre approche chez Qolaig : la valeur d'un agent IA ne tient pas qu'à la performance du modèle utilisé, mais tout autant à la compréhension fine du contexte métier de l'entreprise qui l'utilise. Si votre organisation dispose de données riches mais peu accessibles aux équipes non techniques, c'est exactement le type de problème que notre méthodologie Workshop → Build → Run permet de cadrer et de résoudre. Échangeons sur votre projet.