D'une boîte de support saturée à une opération qui tourne toute seule.

Contexte

Onoff Telecom est un opérateur télécom européen qui gère un canal de support B2C à fort volume : activation SIM et eSIM, gestion des numéros, questions de facturation, problèmes d'application. Le support télécom a une forme particulière : une grande part des demandes entrantes est du niveau 1 répétitif, la même douzaine de questions posées des milliers de fois, tandis qu'une part plus réduite est réellement complexe et nécessite un humain.

Le brief n'était pas d'ajouter un chatbot. Il s'agissait de rendre toute l'opération de support mesurable et en partie autonome : que les agents cessent de se noyer dans les tickets répétitifs et que les managers cessent de monter des rapports à la main. Le point de départ :

• Volume entrant élevé avec une forte proportion de niveau 1 répétitif
• Temps de première réponse allongés par la file d'attente : les questions simples ralentissaient les difficiles
• Reporting via un export manuel versé dans un tableur une fois par semaine, déjà périmé au moment d'être lu
• Aucune vue unique en temps réel de ce que le support faisait réellement

Défi

Trois problèmes, un seul système qui devait résoudre les trois en même temps. Une solution ponctuelle aurait laissé la valeur en rade : un agent qui ne voit pas ses propres données est un jouet, un dashboard que personne n'automatise est un gadget. La réussite exigeait que la conversation, l'automatisation, le data warehouse et le rapport ne forment qu'une seule boucle.

Solution : une boucle fermée

Le système est une seule boucle fermée en cinq couches. L'agent traite le support et journalise tout, l'ingestion et BigQuery en font des données fiables, le dashboard les rend visibles en direct, et le rapport hebdomadaire ferme la boucle dans la boîte mail du décideur. Aucun outil seul ne fait cela : l'intégration est le produit.

1. 1

   Agent de tri des demandes

   Un agent conversationnel est en première ligne du flux répétitif de niveau 1, ancré dans la base de connaissances d'Onoff, pas dans la mémoire générique du modèle. Il optimise la résolution réelle, pas la rétention de façade : une demande compte uniquement quand le client n'a jamais eu besoin d'un humain.

2. 2

   Automatisation des réponses

   Les questions à haute fréquence (activation, eSIM, gestion des numéros, bases de facturation) reçoivent une réponse automatique. Tout ce qui est ambigu, sensible ou hors périmètre est transmis à un agent humain avec le contexte complet, et chaque interaction est réécrite dans le pipeline.

3. 3

   Ingestion BigQuery

   Les événements de support sont captés à la source, puis nettoyés, dédupliqués et modélisés en une source de vérité unique : taux de déviation, temps de première réponse, volume par catégorie, taux d'escalade. La couche sans paillettes qui rend fiable tout le reste.

4. 4

   Dashboard temps réel

   Une vue en direct au-dessus de BigQuery pour le responsable support : volumes, temps de réponse et de résolution, escalades, tendances. Fini l'attente du fichier hebdomadaire.

5. 5

   Rapport hebdomadaire automatique

   Un job planifié lit les données modélisées, calcule les variations de la semaine par rapport à la base de référence mesurée, rédige un court résumé narratif et dépose un PDF dans la boîte mail du décideur chaque lundi matin. L'export manuel disparaît entièrement : le rapport s'écrit et s'envoie tout seul.

Résultats

D'où viennent ces chiffres : les chiffres de volume hebdomadaire et de satisfaction sont observés par l'équipe qui l'opère. Les chiffres de base de référence, d'engagement et de coût sont lus dans le pipeline de mesure : chaque conversation, clic de satisfaction et ticket est journalisé dans BigQuery, avec 43 355 conversations analysées sur six mois comme référence. Rien sur cette page n'est un benchmark sectoriel.

Stack