Cas client — ERP et grande entreprise (processus vente)

Analyser un fichier Excel de 35 000 lignes et automatiser ses change requests avec l'IA, quand on n'a que Copilot

Product owner du processus vente d'une grande société, sur un ERP Oracle, Séverine M. n'avait suivi aucune formation à l'IA et n'avait pas le temps de suivre celles de son entreprise. En quatre séances de coaching individuel sur ses propres fichiers, elle a fait calculer par Copilot l'utilisation d'une centaine d'attributs sur environ 35 000 lignes, réconcilié deux systèmes de tickets, et retrouvé ses mindmaps de change requests qu'elle ne produisait plus faute de temps, avec les limites d'un poste d'entreprise.

Les outils mis en place
CopilotClaudeExcelPowerPointJira
Le résultat en un chiffre
10 min
pour qu'un agent Copilot consolide l'utilisation d'une centaine d'attributs sur un fichier d'environ 35 000 lignes, un calcul qu'elle avait d'abord fait à la main en « largement plus de temps »
SMSéverine M.Product owner, processus vente (order to cash) sur ERP
Coaching : Sébastien Teillet
4
séances de coaching individuel menées sur ses cas réels
~35 000
lignes d'un fichier Excel analysé avec Copilot, pour une centaine d'attributs
4 min
pour comparer son suivi Excel et un export de son outil de tickets, sur une soixantaine de tickets
2
itérations pour obtenir la mindmap d'une change request à partir d'un ancien modèle
Le changement

Avant / après

Ce qui coinçait, et ce qui tourne depuis. Les deux colonnes décrivent la même production, à quelques semaines d'écart.

Avant la formation
  • Aucune formation à l'IA, et pas de temps pour les formations internes
  • Occurrence des attributs d'un fichier d'environ 35 000 lignes calculée à la main, avec un écart sur un champ (1 % au lieu de 3,85 %)
  • Suivi des tickets tenu à la main dans un fichier Excel, à rapprocher d'un export de l'outil de tickets
  • Mindmaps de change requests abandonnées faute de temps, pour un backlog d'une soixantaine de tickets
Après la formation
  • Une structure de prompt (rôle, contexte, objectif, format, contraintes) appliquée seule, sur ses propres fichiers
  • Consolidation de l'occurrence des attributs par Copilot en dix minutes, vérifiée contre son calcul manuel
  • Comparaison de deux sources de tickets en quatre minutes, qui a fait ressortir une erreur de saisie
  • Mindmap de change request regénérée à partir de l'ancien modèle, en deux itérations
  • Un premier test script généré à partir de la mindmap, à faire valider par ses utilisateurs internes
L'histoire

Comment ça s'est passé

Le défi

Séverine M. est product owner du processus vente (order to cash) d'une grande société, côté IT, sur un ERP Oracle. Dans son entreprise, on attend de plus en plus de « réflexes IA » pour automatiser et aider les clients internes, mais elle n'a suivi aucune formation, et elle n'a pas le temps de suivre celles qui sont proposées en interne. Elle ne connaît pas la différence entre les outils (Copilot, OpenAI, Mistral, Claude), ni celle entre un prompt, un agent et un RAG. Trois tâches pèsent sur son quotidien : la présentation PowerPoint qu'elle bâtit chaque mois pour partager les nouvelles versions de l'ERP avec ses clients internes ; l'analyse, pour étendre une application à une autre entité de l'entreprise, de l'utilisation des champs dans un fichier de plusieurs dizaines de milliers de lignes ; et les mindmaps qui synthétisent chaque demande de changement, qu'elle ne produisait plus faute de temps alors que son backlog compte une soixantaine de tickets, avec une dizaine de nouveaux par mois. Le cadre est contraint : Copilot est le seul outil disponible, Copilot Studio est réservé à une phase pilote, le connecteur Jira n'est pas accessible et la classification des données interdit de brancher certains systèmes.

La réponse Intelligence Academy

Le coach est parti de son environnement plutôt que d'un cours. Séance 1 : panorama des modèles du marché, démonstration visuelle de la tokenisation, distinction entre compétences, connecteurs et agents, hygiène de confidentialité ; Séverine a seulement copié des instructions dans un constructeur d'agent, en « one shot », pour voir de quoi on parle. Séance 2 : méthode de prompt (rôle, contexte, objectif, format, contraintes), puis création d'un agent dans Copilot pour la présentation mensuelle ; faute de connecteur Jira et de sources pour le mois visé, l'agent n'a pas produit le livrable, et le coach a proposé de travailler sur des exports ou de fausses données au même format. Séance 3 : démonstration sur Claude d'une tâche planifiée (extraction d'un formulaire, fichier CSV, brouillon de mail en une minute environ), comparaison honnête avec ce que Copilot ne sait pas faire, puis exercice : Séverine écrit elle-même le prompt d'une analyse d'utilisation d'attributs sur un fichier Excel d'environ 5 000 lignes, en précisant la règle des cellules vides. Séance 4 : elle arrive avec trois cas faits seule dans Copilot, et le coach lui fait tester la génération d'un test script à partir de sa mindmap.

Le résultat

En séance 4, Séverine a repris la structure de prompt vue en formation (rôle, contexte, objectif, format) pour son fichier d'environ 35 000 lignes et d'une centaine d'attributs, avec un second onglet donnant le nom réel de chaque champ. Copilot a consolidé en dix minutes l'occurrence de chaque attribut, au deuxième lancement, le premier ayant donné « un truc un peu bizarre ». Sur un champ, son calcul manuel donnait 1 % et celui de Copilot 3,85 % ; elle lui a demandé de détailler sa méthode, a constaté qu'il avait raison, et a mis à jour son fichier. Elle a ensuite fait comparer en quatre minutes le fichier Excel qu'elle tient à la main et un export de son outil de tickets : 48 correspondances sur une soixantaine de tickets, neuf tickets sans référence Jira qu'elle sait expliquer, quatre références en doublon qu'elle n'a pas encore creusées, et une erreur de saisie repérée dans son propre fichier. Enfin, elle a retrouvé sa mindmap de change request à partir de l'ancien modèle PowerPoint et d'un export de tickets : couleurs et structure respectées, police à corriger, ce qu'elle a obtenu en deux itérations avec une contrainte ajoutée. Limites : elle n'a pas chronométré le gain de la mindmap (« cinq minutes », à l'estime), les test scripts générés (de l'ordre de quarante puis 65 lignes) ne sont pas validés, et elle doit les tester avec ses utilisateurs internes avant tout usage.

Le parcours

Étape par étape

Le coaching part de ce que la personne produit déjà. Voici les jalons réels du parcours, blocages compris.

  1. Séance 1

    Comprendre les outils et le vocabulaire

    Après un diagnostic de ses besoins, le coach déroule le marché des modèles, montre la tokenisation avec un outil visuel et distingue compétences, connecteurs et agents par une analogie. Une partie de la séance part dans des problèmes d'accès. Séverine a seulement testé un agent en copiant des instructions, sans autonomie.

    « Alors, je ne peux pas dire que j'ai créé mon premier agent. J'ai fait un copier-coller dans l'agent de builder pour que l'agent fonctionne tel que les instructions avaient été données. »

  2. Séance 2

    Un premier agent Copilot sur la présentation mensuelle

    Le coach présente la méthode de prompt (rôle, contexte, objectif, format). Séverine crée un agent Copilot pour sa présentation de release, mais le connecteur Jira est indisponible et les sources du mois manquent : le livrable n'est pas produit. La piste retenue : des exports de tickets, ou de fausses données au même format.

    « je suis limitée en termes d'accès Mais néanmoins, j'ai pu créer un agent. »

  3. Séance 3

    Écrire soi-même le prompt d'une analyse Excel

    Démonstration sur Claude d'une tâche planifiée qui extrait un formulaire en CSV et prépare un mail, avec ses limites (ordinateur allumé, impossible à reproduire dans Copilot). Séverine écrit ensuite elle-même un prompt structuré pour calculer l'utilisation d'attributs sur un fichier Excel d'environ 5 000 lignes et corrige la règle des cellules vides. Devoir : un scénario de test sur données fictives.

    « Non, je ne vais pas forcément étendre parce que ça, je saurais le faire toute seule. »

  4. Séance 4

    Trois cas faits seule dans Copilot

    Elle présente le calcul d'occurrence sur environ 35 000 lignes, la comparaison de deux sources de tickets et la mindmap de change request regénérée en deux itérations. En séance, un test script est généré à partir de la mindmap ; le coach distingue prompt, agent et skill et propose d'ajouter des exemples de tests existants.

    « Voilà, et c'est vrai que j'ai été époustouflée quand j'ai vu le résultat. Et je me suis dit, tiens, tu vois, mes consignes, elles étaient quand même pas mal. »

SM
Voilà, et c'est vrai que j'ai été époustouflée quand j'ai vu le résultat. Et je me suis dit, tiens, tu vois, mes consignes, elles étaient quand même pas mal.
Séverine M.
Product owner, processus vente (ERP)
Les livrables

Ce qui a été construit

Pas des exercices : des outils qui tournent après la formation.

  • Occurrence d'une centaine d'attributs consolidée par Copilot en dix minutes sur un fichier d'environ 35 000 lignes, et écart de calcul (1 % contre 3,85 %) élucidé en demandant à l'outil de détailler sa méthode
  • Comparaison de deux sources de tickets en quatre minutes : 48 correspondances sur une soixantaine de tickets, neuf tickets sans référence Jira, quatre doublons, une erreur de saisie repérée
  • Mindmap de change request regénérée à partir d'un ancien modèle PowerPoint et d'un export de tickets, en deux itérations
  • Premier test script généré à partir de la mindmap (de l'ordre de quarante lignes au premier essai, 65 au troisième), à faire valider par les utilisateurs internes
  • Agent Copilot créé pour la présentation mensuelle de release malgré des accès limités ; livrable à produire une fois les sources disponibles
Verbatims

Ce qui a été dit

« Et c'est vrai que quand ça te sort, c'est vrai qu'il m'a mis 10 minutes. Moi, je pense que j'avais mis quand même largement plus de temps. »
Séverine M.
Dossier de formation
« Et évidemment, on nous demande d'avoir de plus en plus des réflexes IA pour essayer d'automatiser, d'aider nos clients internes à gérer leur processus. »
« Oui, alors, OK, d'accord, l'IA, mais qu'est-ce qu'on en fait? Est-ce qu'on a des données propres déjà? »
« Mais bon, je suis tellement happée par d'autres activités que je n'ai pas le temps du tout de me former par le biais de ces formations internes. »
« ce que je fais chaque mois, c'est que donc on pousse des releases dans Oracle, des changements, des nouvelles features. Et puis derrière, il faut que je bâtisse un document PowerPoint pour partager avec mes clients internes, qui sont les clients Oracle. Ça, ça me prend un petit peu de temps. »
« Moi, j'avais calculé 1 %, à mon avis, je me suis un petit peu plantée, parce que c'est quand même lui qui a raison. »
« Il a réfléchi, il a mis quatre minutes, ce qui est assez acceptable. »
« Donc ça, si tu veux, c'est quelque chose que je ne faisais plus parce que je n'avais pas le temps. »
« Je me suis dit, je ne vais quand même pas le faire à la main. Donc, j'ai updaté l'agent en lui disant « constraint ». J'ai juste rajouté une « constraint » un peu plus forte. »
« Alors, cette feature-là, je ne la connais pas suffisamment pour savoir si c'est pertinent ou pas. »
Questions liées

Ce qu'on nous demande sur ce sujet

Les questions réellement posées autour de ce cas, répondues à partir de ce qui s'est passé pendant la formation.

Peut-on analyser un fichier Excel de 35 000 lignes avec Copilot ?

Dans le cas de Séverine M., product owner sur un ERP, Copilot a consolidé l'occurrence d'une centaine d'attributs sur un fichier d'environ 35 000 lignes, avec un second onglet donnant le nom réel de chaque champ. Elle a structuré son prompt en rôle, contexte, objectif et format, et précisé que les cellules vides ne comptent pas. Il a fallu lancer le calcul deux fois : le premier résultat était « un truc un peu bizarre ». La seconde exécution a duré environ dix minutes et a produit un fichier à trois colonnes : attribut, nom du champ, pourcentage d'occurrence.

Comment vérifier le calcul d'une IA sur un gros fichier Excel ?

Séverine M. avait calculé l'occurrence d'un champ à la main : 1 %. Copilot donnait 3,85 %. Plutôt que de trancher à l'instinct, elle lui a demandé de détailler sa méthode, a relu l'explication et constaté qu'il avait raison, puis elle a mis à jour son fichier. Pour la suite, la prochaine étape fixée en séance est de contrôler les correspondances et pourcentages sur un échantillon avant toute utilisation, et de traiter les attributs signalés « not mapped ».

Peut-on générer la mindmap d'une demande de changement avec l'IA ?

Séverine M. produisait autrefois une mindmap pour chaque change request afin de la partager avec les autres entités et mesurer l'impact. Elle ne le faisait plus faute de temps, pour une dizaine de nouveaux tickets par mois. Elle a donné à un agent Copilot l'ancien modèle PowerPoint et un export de tickets : couleurs et structure ont été respectées, la police débordait des cadres. Elle a ajouté une contrainte et obtenu le résultat en deux itérations. Elle n'a pas chronométré précisément le gain (« cinq minutes », à l'estime).

Que faire quand l'entreprise n'autorise que Copilot, sans Copilot Studio ni connecteur Jira ?

Séverine M. s'est heurtée à ces limites en séances 2 et 3 : pas de Copilot Studio, réservé à une phase pilote, pas de connecteur Jira, et des données classées qui empêchent de brancher certains systèmes. Le coach a proposé de travailler avec des exports de tickets ou de fausses données au même format, afin de valider la mécanique, et de préparer l'échange avec le service informatique. Son agent Copilot a finalement fonctionné sur des fichiers fournis à la main, deux fichiers Excel plutôt qu'une connexion directe.

La même chose, sur votre métier

Votre projet mérite le même traitement

Le programme est le même pour tout le monde. Le coaching, lui, part de vos outils, de vos fichiers et de ce que vous voulez construire.

Découvrir la Formation Copilot Microsoft 365
Une question précise ? Prendre un rendez-vous

D'autres entreprises l'ont fait

Consultante SEO travaillant sur des données de référencementConseil SEO / Digital
Florence Delaune

D'utilisatrice d'outils IA à constructrice de ses propres agents

5/5de satisfaction sur 100 % des séances
IT / Automatisation no-code
Tony BOUROUH

Automatiser la gestion des emails métier avec N8N : de responsable IT à développeur no-code en 11 séances

35 tablesbase de données Supabase créée dès la 1re séance, sur un vrai projet de réservation
Informatique / Analyse de données
Michel Poulet

Piloter des agents Claude sur sa base de données propriétaire avec un MCP maison, tout self-hébergé

3 APImaison exposées à Claude via un MCP personnalisé pour interroger sa base hippique en direct