Un problème qualité à 35 000 pieds est un problème de marque au sol.
La branche catering d'un groupe d'aviation mondial avait besoin d'un système d'alerte précoce pour la qualité des repas en vol, nous l'avons construit à partir du flux de plaintes qu'elle avait déjà.
15 avril 2026
Le catering en vol à l'échelle réseau est un défi qualité aux conséquences réputationnelles. Les incidents de corps étrangers, fragments d'aluminium, cheveux, petites pierres, insectes, sont à l'intersection de la safety, de l'expérience client et de la marque. Les équipages de cabine logguent déjà les retours clients dans le système de plaintes opérationnel, mais ces retours sont subjectifs, non structurés et arrivent à un volume que personne ne peut revoir manuellement à la granularité requise. Le temps qu'un pattern émerge sur une escale précise ou un prestataire, les dégâts ont déjà composé. La question : pouvait-on lire automatiquement le flux de plaintes et faire émerger les signaux faibles que le triage manuel manquait ?
- 01
Construire le jeu de données labélisé que la fonction n'avait jamais eu.
Nous avons extrait les plaintes historiques, échantillonné sur les routes et prestataires, et pseudo-labélisé manuellement la pertinence corps-étrangers. Ce corpus labélisé est devenu la colonne vertébrale de tout ce qui a suivi, et un actif permanent pour la fonction qualité.
- 02
Démarrer par un classifier, monter en LLM.
Nous avons livré d'abord une baseline text-classification, rapide à déployer, facile à valider. Puis monté à un classifier basé LLM quand le trade-off précision-recall l'a exigé. Le choix éditorial : la production bat l'élégance. Nous n'avons pas attendu le modèle parfait pour commencer à délivrer de la valeur à l'équipe qualité.
- 03
Agréger là où vivent les décisions opérationnelles.
La détection au niveau plainte est utile. La détection agrégée par route, escale, prestataire, avec tracking temporel, est actionnable. Nous avons livré la sortie dans le dashboard opérationnel de la fonction, là où les personnes qui pilotent les revues qualité voyaient déjà tout le reste.
Un système de monitoring scalable, objectif et proactif a remplacé un triage manuel subjectif. Des escales et facilities prestataires précises émergent désormais comme anomalies avant que le problème ne compose. La charge de revue manuelle de l'équipe qualité a chuté nettement, redirigée vers les cas que le modèle flag. La direction a désormais une visibilité backed par la donnée sur la qualité catering à travers le réseau, pour la première fois à cette granularité. Le déclic : la qualité catering est passée d'incident management réactif à risk monitoring proactif.
“Quand votre donnée existe déjà sous forme de retours clients, vous n'avez pas besoin d'un nouveau système, vous avez besoin d'un modèle qui lit ce qui est déjà là. Démarrez par des classifiers, escaladez vers des LLMs uniquement quand le calcul l'exige.
Assis sur un flux de plaintes, un canal de feedback ou un log d'inspection que personne ne lit à l'échelle ? Nous transformons le signal client non structuré en systèmes d'alerte précoce pour les équipes opérations et qualité.
Discutons
