Comment Unibail-Rodamco-Westfield démocratise l'accès à ses données grâce à l'IA générative

PROBLÉMATIQUE

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

En amont du projet, plusieurs enjeux clés ont été identifiés :

• 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 adopté et utilisable par des profils non techniques

‍

SOLUTION

Qolaig a conçu et déployé un POC de Natural Language to SQL : 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.

01. De la question à la donnée, sans SQL

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

• "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, identifie les tables pertinentes, génère la requête SQL adaptée, l'exécute sur Snowflake, puis interprète les résultats via une seconde couche d'IA avant de les restituer en langage naturel.

02. Un glossaire métier au cœur de la fiabilité

La difficulté principale du projet n'était pas technique, elle était sémantique. Chaque entreprise a son propre vocabulaire : indicateurs maison, synonymes internes, règles de calcul spécifiques, relations entre tables non documentées.

Qolaig a construit un glossaire métier sur mesure pour URW, permettant à l'IA de comprendre les définitions exactes des indicateurs, les synonymes utilisés par les équipes terrain, et les règles de calcul propres au groupe. C'est cette couche qui garantit la pertinence et la fiabilité des requêtes générées.

‍

RÉSULTATS

• Accès aux données en langage naturel pour l'ensemble des équipes métier
• Réduction de la charge sur les équipes Data pour les requêtes de routine
• Adoption facilitée de Snowflake par les profils non techniques
• Accélération de la prise de décision grâce à la suppression des délais d'intermédiation

‍

RETOUR SUR INVESTISSEMENT

Chaque question qui remontait jusqu'aux équipes Data mobilisait du temps qualifié sur des tâches à faible valeur ajoutée. En déléguant ces requêtes de routine à un agent IA, URW libère ses data engineers et analysts pour des travaux à plus fort impact : modélisation, projets stratégiques, gouvernance, tout en accélérant les cycles de décision des équipes métier.