Nous avions un problème récurrent de prévision de la demande pour nos produits frais. L'équipe de Focused AI Dynamics a construit un modèle qui s'actualise chaque nuit avec nos données de vente. En trois mois, nous avons réduit le gaspillage alimentaire de 27 %. Le tableau de bord est simple, mes chefs de rayon l'utilisent sans formation supplémentaire.
Témoignages récents
Paroles de clients recueillies entre janvier et mai 2025.
J'avais contacté deux autres prestataires avant. L'un proposait une solution standard qui ne correspondait pas à notre ERP, l'autre voulait six mois de développement. Focused AI Dynamics a livré un premier prototype fonctionnel en quatre semaines. Le système extrait automatiquement les données de nos bons de commande PDF et les injecte dans SAP. Mes comptables ont retrouvé leurs soirées.
Le modèle de classification de sinistres que Focused AI Dynamics a développé pour nous traite 80 % des dossiers simples sans intervention humaine. Nos gestionnaires se concentrent désormais sur les cas complexes. Le seul bémol : la phase d'entraînement a nécessité un nettoyage de données plus long que prévu, environ cinq semaines au lieu de trois. Mais le résultat final valait l'attente.
Notre cabinet traite environ 400 contrats par mois. La relecture manuelle prenait un temps considérable. L'outil de Focused AI Dynamics identifie les clauses inhabituelles et les incohérences en quelques secondes. Nous avons détecté deux erreurs potentiellement coûteuses dès la première semaine d'utilisation. L'interface est sobre et les juristes l'ont adoptée sans résistance.
Études de cas
Deux projets détaillés pour illustrer notre méthode de travail.
FreshMarkt : prédiction de la demande en produits frais
FreshMarkt exploite 14 supermarchés en Flandre. Chaque magasin commande ses fruits et légumes deux jours à l'avance, ce qui génère soit des ruptures soit du gaspillage. Leur directrice des opérations, Nathalie Verhoeven, nous a contactés en septembre 2024.
Nous avons récupéré 18 mois de données de vente, croisées avec la météo locale et le calendrier scolaire. Le modèle (gradient boosting) produit une prévision par référence et par magasin, actualisée chaque nuit. Les chefs de rayon reçoivent une suggestion de commande qu'ils peuvent ajuster avant validation.
Résultat après trois mois : le gaspillage a baissé de 27 %, les ruptures de 19 %. Le retour sur investissement a été atteint en 11 semaines.
Claes Logistics : extraction automatique de bons de commande
Claes Logistics reçoit chaque jour entre 60 et 90 bons de commande par email, au format PDF. Avant notre intervention, deux employés passaient quatre heures par jour à recopier ces données dans SAP. Les erreurs de saisie provoquaient régulièrement des écarts de facturation.
Nous avons déployé un pipeline en trois étapes : extraction OCR, validation par un modèle de langage affiné sur le vocabulaire logistique (numéros de conteneur, codes Incoterms, poids brut/net), puis injection via l'API SAP. Le système signale les documents ambigus pour vérification humaine au lieu de deviner.
Après six semaines de production, le taux de saisie automatique sans erreur atteint 94 %. Les deux employés consacrent désormais leur temps à la gestion des litiges fournisseurs plutôt qu'à la saisie.
Votre projet pourrait être le prochain
Nous proposons un atelier de cadrage gratuit d'une demi-journée. Vous repartez avec un document de faisabilité, une estimation de budget et un calendrier. Sans engagement.
Demander un audit gratuit