Abandon dispositifs d'aide : comprendre les raisons
Un outil d'analyse basé sur l'intelligence artificielle examine les données de parcours des bénéficiaires pour identifier à quel moment et pour quelles raisons ils abandonnent un dispositif d'aide. L'objectif est de permettre aux équipes d'ajuster le dispositif avant que d'autres bénéficiaires ne le quittent pour les mêmes raisons.
Le défi initial
Une association ou une structure sociale investit du temps, des ressources humaines et des financements publics dans des dispositifs d'accompagnement sans jamais comprendre vraiment pourquoi une partie des bénéficiaires disparaît en cours de route. Les abandons sont notés, parfois commentés, mais rarement analysés de façon systématique. Les équipes n'ont ni le temps ni les outils pour croiser les données et identifier les causes réelles, ce qui conduit à reproduire les mêmes points de rupture d'une session à l'autre.
La solution IA Occitanie
Un outil d'analyse connecté aux données de suivi déjà disponibles dans la structure identifie automatiquement les moments où les abandons se concentrent.
Un LLM analyse ensuite les comptes rendus et les notes des intervenants pour en extraire les signaux textuels associés aux abandons et les regroupe en catégories lisibles. Un rapport synthétique est généré automatiquement à chaque fin de session ou de trimestre, présentant les points de rupture identifiés, les profils les plus concernés et des pistes d'ajustement concrètes pour les équipes.
Résultats et impact direct
✓
Des points de rupture identifiés et corrigés
✓
Moins de ressources investies
✓
Des équipes terrain mieux informées
✓
Un meilleur taux de complétion
La supervision humaine
Les pistes d'ajustement produites par l'outil sont soumises aux équipes terrain avant toute décision. Ce sont les intervenants qui connaissent les réalités humaines derrière les données et qui valident ce qui est pertinent ou non. Aucune décision concernant un bénéficiaire n'est prise sur la base de l'analyse automatisée seule : l'outil éclaire, les équipes décident.
Limites et points de vigilance
La qualité de l'analyse dépend directement de la régularité et de la précision avec laquelle les intervenants renseignent leurs outils de suivi. Les données traitées concernant des personnes en situation de vulnérabilité sont particulièrement sensibles : leur collecte, leur stockage et leur analyse doivent être strictement conformes au RGPD, avec une information claire des bénéficiaires et un accès limité aux seules personnes habilitées.
La Stack Technique
Les briques et outils mobilisés pour ce cas d'usage — à adapter selon votre contexte, votre SI et vos exigences de souveraineté.
Autres cas d'usage
Prévoir le nombre de couverts du soir avec précision
Un système de prévision basé sur l'intelligence artificielle croise le carnet de réservations, l'historique de fréquentation et les données contextuelles pour produire chaque matin une estimation fiable du nombre de couverts du soir et une suggestion de mise en place ajustée.
Moins de gaspillage
Voir le cas d'usage
Traduire son expérience dans le langage d'un nouveau métier
Un assistant conversationnel basé sur l'intelligence artificielle extrait les compétences réelles d'une personne en reconversion à travers un dialogue structuré. Il les traduit dans le vocabulaire du secteur cible et produit des supports concrets adaptés à chaque type de poste visé.
Des compétences plus visibles
Voir le cas d'usage
Produire les bilans financeurs sans y passer trois jours
Un système basé sur l'intelligence artificielle génère automatiquement les bilans d'activité dans le format attendu par chaque financeur. Pas besoin de repartir de zéro à chaque échéance, les rapports sont créées à partir d'une base de données commune alimentée au fil de l'eau par les équipes.
Plusieurs jours de travail récupérés
Voir le cas d'usageEnvie de transposer ce cas chez vous ?
Nous accompagnons vos équipes pour adapter un cas d'usage à votre contexte métier — avec un cadre humain et concret.