Remarque : cette version française a été générée par IA. L’article original a été rédigé en allemand.

Cette preuve de concept (PoC) a été développée dans le cadre de la Special Week à la Haute école spécialisée bernoise. Elle montre comment des fonctionnalités basées sur l’IA peuvent simplifier la mise à jour des données d’un système CRM afin d’améliorer son efficacité et sa facilité d’utilisation. Le PoC utilise PyQt pour le développement de l’interface graphique et différentes API d’IA pour ses fonctionnalités.

Optimisation du CRM

Dans le monde des affaires actuel, fondé sur les données, une gestion efficace de la relation client (CRM) est indispensable. Mais même les systèmes CRM les plus avancés ne valent que par la qualité des données qu’ils contiennent. Un projet consacré aux défis liés à la qualité des données d’un système CRM existant a permis de tirer de précieux enseignements.

Contenu du projet

Cette preuve de concept (PoC) a été développée par une équipe de projet dans le cadre de la Special Week à la Haute école spécialisée bernoise. Une interface graphique simple a été créée avec PyQt pour permettre d’extraire des données du Web à partir d’une liste d’URL. Les informations suivantes sont recueillies en plusieurs étapes :

  • Analyse de l’entreprise : Brève description de l’entreprise, de ses activités et du secteur dans lequel elle opère.
  • Analyse de la concurrence : 5 à 10 entreprises similaires opérant dans le même secteur sont identifiées. Une nouvelle requête concernant les entreprises nouvellement identifiées peut également être lancée directement.
  • Coordonnées générales : Adresse e-mail, numéro de téléphone, adresse et autres coordonnées pertinentes.
  • Personnes de contact : Informations sur des personnes de contact spécifiques pertinentes pour l’entreprise, telles que leur nom, leur poste et leur adresse e-mail. Une capture d’écran du site Web est réalisée pour vérifier l’exactitude des données recueillies.

Le défi : des données inefficaces et un travail manuel

Le problème initial était typique de nombreuses entreprises : le système CRM existant souffrait de doublons, d’informations obsolètes et d’enregistrements incomplets. Ces incohérences nuisaient considérablement à l’efficacité des efforts de vente et de marketing. Les vérifications manuelles prenaient du temps et mobilisaient de précieuses ressources qui auraient pu être mieux utilisées ailleurs. L’objectif était clair : les données du CRM devaient être nettoyées, validées et enrichies afin d’améliorer leur exactitude et leur pertinence et d’accroître la fiabilité du système.

Deux approches pour améliorer la qualité des données

Pour répondre à ces exigences, deux approches principales ont été développées : un outil d’automatisation robotisée et une solution combinant API et extraction de données Web. La solution d’automatisation robotisée étant très complexe et peu flexible, l’accent a été mis sur la seconde solution.

Solution combinant API et extraction de données Web : analyse approfondie à partir du Web

La seconde solution utilise des API accessibles au public pour recueillir, filtrer et analyser des données provenant de sources externes. Le processus comporte plusieurs étapes :

Pas à pas vers une information complète :

  1. Traitement des URL (extraction de données) : Les URL issues d’un fichier d’entrée nettoyé sont transmises à une API d’extraction de données. Celle-ci extrait tous les liens de la page d’accueil, filtre les URL pertinentes et les enregistre. Cette approche permet d’intégrer facilement des mécanismes de filtrage.
  2. Analyse des URL (utilisation intelligente des API) : L’API Perplexity (un LLM avec accès à Internet) est utilisée pour recueillir des informations sur les entreprises, les domaines et les entreprises similaires. Cela simplifie considérablement la collecte des données et fournit des informations à jour ainsi que des résumés de l’état actuel des pages.
  3. Extraction des coordonnées : Une autre API est utilisée pour extraire des coordonnées précises et complètes des pages filtrées. Toutes les coordonnées recueillies sont regroupées dans un fichier unique par domaine. Pour en vérifier l’exactitude, une capture d’écran de la page est également réalisée, ce qui permet une vérification rapide sans ouvrir de navigateur.
  4. Visualisation des données : Après chaque étape de traitement, les données recueillies sont visualisées dans une interface utilisateur graphique (GUI) conviviale afin d’offrir une vue d’ensemble rapide.

Perspectives et améliorations futures

Le projet présente un potentiel considérable pour de futures extensions :

  • Automatisation robotisée : Intégration de futures API d’IA dotées de capacités de navigation Web et adaptation automatique de l’interface utilisateur par reconnaissance d’images ou apprentissage automatique.
  • API et extraction de données : Élargissement des sources de données (par exemple, des bases de données sectorielles), traitement parallèle et mise en cache pour accélérer le traitement et réduire les coûts, amélioration de la validation des données et optimisation des modèles d’IA. Une interface graphique plus élaborée avec des visualisations de données interactives pourrait encore améliorer l’expérience utilisateur.

Conclusion : un actif stratégique pour l’avenir

La mise en œuvre de ces solutions peut transformer le système CRM d’une entreprise en un actif plus fiable et stratégique. En se concentrant sur l’automatisation et l’analyse des données, ce projet pose les bases d’un outil performant de CRM et d’analyse de marché.