Comment Moose Knuckles a chiffré ses trois premiers cas d'usage IA
Un audit d'opportunités mené sur les données réelles de la marque : trois mois de tickets, le catalogue produit en ligne, l'architecture data. Trois cas d'usage priorisés, chiffrés et séquencés, là où il n'y avait aucune IA en production au démarrage.
Aucune IA en production, et aucune visibilité sur là où elle paierait
La direction voulait une lecture chiffrée des vraies opportunités, pas un discours technologique. Trois points de friction ressortaient. Le service client d'abord : une file où moins d'un ticket sur deux relevait d'une demande client réelle, avec un délai de première réponse qui se comptait en heures aux pics de saison. Le contenu produit ensuite : trois mois entre le concept et la mise en ligne d'une fiche, alors qu'environ la moitié des images n'étaient que des déclinaisons coloris d'un même master shot. La donnée enfin : les métiers perdaient 5 à 10 heures par semaine à reconstruire des reports à la main.
tickets relevant d'une demande réelle
Une file de support saturée, avec un délai de première réponse qui se comptait en heures aux pics de saison.
du concept à la fiche produit en ligne
Environ la moitié des images n'étaient que des déclinaisons coloris d'un même master shot, reshootées en studio.
par semaine perdues à refaire des reports
La donnée restait derrière l'équipe BI, et une large majorité des utilisateurs de dashboards ne s'y connectait plus.
Moose Knuckles, MontréalMoose Knuckles
Moose Knuckles est une marque d'outerwear de luxe basée à Montréal, qui vend en wholesale, en boutiques en propre et en e-commerce, avec la Chine comme principal marché de croissance.
Une saisonnalité extrême concentre l'essentiel du chiffre d'affaires sur une courte fenêtre hivernale. Cela rend les décisions rapides et documentées sur les stocks, le contenu et le service client directement matérielles pour la marge : sur un cycle aussi court, un arbitrage tardif ne se rattrape pas.
Chiffrer sur les données du client, pas sur des hypothèses
L'audit s'est déroulé en deux phases, entretiens et collecte puis analyse et priorisation, menées avec les équipes du client. Le parti pris : construire chaque recommandation sur les données réelles de Moose Knuckles, pour que chaque chiffre soit défendable et appartienne au client.
Entretiens et collecte
Une première phase avec les parties prenantes, pour cadrer le périmètre à partir du terrain plutôt que d'hypothèses.
Analyse sur les données réelles
Trois mois de tickets de support, le catalogue produit en ligne, les avis publics, les KPI opérationnels et l'architecture data existante.
Classification et chiffrage assistés par IA
Les volumes ont été classés et quantifiés pour faire ressortir les motifs récurrents et dimensionner chaque opportunité, avec des hypothèses explicites.
Trois bundles priorisés et séquencés
Chacun avec un modèle de ROI conservateur, un coût de mise en œuvre et un plan de construction par phases, réversible : le client valide la valeur à chaque étape avant d'engager la suite.
Trois opportunités chiffrées, prêtes à construire
L'audit a produit des chiffres conservateurs et sourcés pour chacun des trois cas d'usage. Ce sont des opportunités identifiées, pas des gains déjà constatés. Sur le service client, un agent de première ligne et de débordement : l'analyse de 7 612 tickets en 10 catégories montre qu'environ 32 % de la demande réelle est automatisable dès aujourd'hui, un plancher volontairement conservateur, en laissant les litiges, la garantie et les défauts produit aux agents humains. Le coût par ticket traité passe de l'ordre de quelques dollars à quelques centimes sur cette part, ce qui se lit comme de la capacité rendue à l'équipe, pas comme une réduction d'effectifs. Sur les fiches produit, la génération des déclinaisons coloris à partir d'un seul master shot réel rend adressables environ 3 750 images par an : le coût unitaire passe d'une centaine de dollars en studio à quelques centimes, et le cycle de trois mois se compresse en semaines. Sur la BI conversationnelle enfin, une couche d'interrogation en langage naturel au-dessus de l'entrepôt de données existant, construite en trois phases partageant un même backend, avec un retour sur investissement identifié entre quatre et sept mois sur le seul temps récupéré.
Et si on cartographiait vos demandes ?
Audit gratuit de vos process, on identifie ensemble les cas d'usage à fort ROI, et on chiffre les gains avant de déployer quoi que ce soit.
D'autres études de cas
Tous les cas clientsDoctolib
↗Adoption
D'une poignée de pionniers à 90 % de créateurs d'agents en trois mois
InfraVia Capital Partners
↗GPT interne
Comment InfraVia a équipé 100+ collaborateurs en IA avec Copilot et Perplexity Enterprise
Newfund
↗GPT interne
Comment Newfund a outillé son processus d'investissement avec 6 agents IA sur Dust
Groupe Sprint
↗Ops
Des milliers de devis traités par mois, sans saisie manuelle