AMI Paris

Profil du client et périmètre du projet

Client : AMI Paris

‍Secteur : Mode & Luxe — 300+ points de vente dans le monde

‍Expertise : Data au service de l'IA

‍Mission : Data Engineering, Analytics Engineering, Semantic Layer et Self-BI

‍Durée : 2024 — 2026

‍

Contexte

AMI Paris est une maison de mode française fondée en 2011, présente dans plus de 300 points de vente à travers le monde avec des boutiques à Paris, Londres et Tokyo. Comme beaucoup d'acteurs du luxe en forte croissance, AMI Paris disposait de données dispersées entre de multiples systèmes — ERP, e-commerce, CRM, retail — sans infrastructure unifiée pour les exploiter. L'enjeu : construire les fondations data nécessaires pour piloter la performance de l'entreprise par la donnée, et à terme, par l'IA.

‍

Résultats clés

1. Data platform opérationnelle sur Snowflake, orchestrée par Airflow et structurée avec dbt

2. Semantic layer en place, garantissant des définitions métier cohérentes à travers toute l'organisation

3. Self BI opérationnel : les équipes métiers interrogent leurs données en langage naturel directement dans PowerBI

‍

Le savoir-faire Molia

Ce projet illustre l'approche Molia en data engineering et analytics : construire les fondations avant de promettre l'IA. La valeur ne réside pas dans l'outil, mais dans la rigueur de la modélisation, la cohérence du semantic layer et la capacité à comprendre les spécificités métier du client. C'est ce socle qui rend possible l'étape suivante — le Self BI, le lead scoring, et demain, d'autres cas d'usage IA — sans jamais compromettre la fiabilité des données.

La solution

Structuration du patrimoine de données en déployant une Modern Data Stack robuste, adaptée aux exigences complexes du secteur du luxe. En instaurant une couche sémantique unique pour uniformiser les règles métiers, nous avons fiabilisé le pilotage global de la performance. Cette architecture pérenne permet aujourd'hui aux équipes de monitorer leur performance et optimiser les opérations en toute autonomie.

Nous contacter

Construire la Data Platform

La première étape a consisté à bâtir une modern data stack capable de centraliser, transformer et fiabiliser l'ensemble des données de l'entreprise. Nos consultants ont conçu et déployé une architecture fondée sur Snowflake comme entrepôt de données, dbt pour la transformation et la modélisation, et Airflow pour l'orchestration des pipelines. Le secteur du luxe impose des exigences spécifiques : granularité par boutique, par collection, par marché, avec des logiques de saisonnalité, de wholesale et de retail qui ne se traitent pas comme dans d'autres industries. Nos consultants, expérimentés en analytics engineering appliquée à ce secteur, ont modélisé les données en respectant ces spécificités métier — chaque transformation est versionnée, testée et documentée.

Mettre en place le Semantic Layer

Les données structurées ne suffisent pas si chaque équipe les interprète différemment. Qu'est-ce qu'un client actif chez AMI Paris ? Comment se calcule la performance d'une boutique ? Quelle est la marge nette par collection ? Nous avons conçu un semantic layer qui encode ces définitions métier dans une couche intermédiaire entre les données brutes et les outils de consommation. Chaque métrique est définie une seule fois, calculée de manière uniforme et accessible de bout en bout — que ce soit par un dashboard PowerBI, un rapport automatisé ou un modèle d'IA. Cette couche garantit la cohérence et la fiabilité de toute analyse produite en aval.

Piloter la performance par la donnée

Sur ces fondations, nos consultants ont construit un centre de pilotage de la performance par la donnée : dashboards de suivi opérationnel, indicateurs de performance retail et e-commerce, et outils d'analyse permettant aux équipes métiers de prendre des décisions éclairées par des données fiables et à jour.

Ouvrir la voie au Self-BI

La dernière étape du projet illustre la convergence entre data engineering et IA. En s'appuyant sur le semantic layer mis en place, nous avons intégré un assistant IA conversationnel directement dans PowerBI, permettant aux équipes métiers d'interroger leurs données en langage naturel. Un responsable retail peut poser une question — « Quelle est la performance de la boutique de Tokyo sur la collection printemps par rapport à l'an dernier ? » — et obtenir une réponse fiable, sans dépendre d'un data analyst. Cette autonomie n'est possible que parce que les fondations sont en place : des données propres, un semantic layer qui porte le contexte métier, et une gouvernance qui garantit la cohérence des résultats.

Stack technique — AMI Paris

L'architecture repose sur une Modern Data Stack construite sur-mesure pour les spécificités retail et wholesale du secteur du Luxe :

Data Warehouse : Snowflake
Transformation & modélisation : dbt (transformations versionnées, testées, documentées)
Orchestration des pipelines : Apache Airflow
Semantic layer : couche de définitions métier centralisée, garantissant la cohérence des métriques entre tous les outils de consommation
Self BI / IA : intégration de Claude directement dans PowerBI pour l'interrogation en langage naturel