Plateforme · Concepts · Une seule couche sémantique
Une seule couche sémantique. Une seule réponse à chaque question métier.
Une couche sémantique signifie que chaque utilisateur de votre plateforme (tableau de bord, agent IA, API, outil de campagne) obtient sa réponse à la même source. Il ne s'agit pas d'un nouveau produit à acheter ; c'est le principe organisateur de l'architecture SocialHub.AI : une ontologie fondamentale d'objets et d'actions régies, à laquelle sont rattachés trois actifs dérivés : les métriques , les balises et le comportement → l'intention . Ainsi, le « GMV », un niveau de valeur ou une intention ont la même signification partout.
Chaque consommateur
Une couche sémantique
Ontologie : objets et actions
La base à laquelle les trois se rattachent
« GMV » · « VIP à risque » · « Tendance à l’attrition »
Signifient la même chose pour les quatre
Le principe
Lorsqu'une signification est définie à plusieurs reprises, elle revêt de nombreuses significations.
Le bug le plus coûteux dans une infrastructure de données n'est pas un plantage, mais plutôt le fait que deux équipes consultent le « chiffre d'affaires » et obtiennent des résultats différents, car chaque outil a redéfini ce chiffre dans sa propre requête. Dès que l'IA entre en jeu, cette ambiguïté cesse d'être un simple inconvénient pour les rapports et devient un risque opérationnel : un agent qui identifie un « membre actif » différent de celui indiqué sur votre tableau de bord agira sans hésiter sur le mauvais client.
Une couche sémantique consiste à définir chaque signification métier une seule fois , avec un responsable, et à permettre à chaque consommateur de s'y référer, sans jamais avoir à la redéfinir. Dans SocialHub.AI, cette couche est déjà construite en quatre parties : une ontologie fondamentale d'objets et d'actions, et les trois ressources dérivées qui y sont rattachées.
Les parties de la couche
Quatre parties, une couche.
Une partie est fondamentale — l'ontologie, les objets et les actions régies auxquels tout le reste se rattache. Trois sont dérivés de — métriques, balises et comportement → intention, chacun répondant à une question différente concernant un client (combien, quel type, que s'est-il passé) et chacun est géré indépendamment, et non comme une colonne libre ou une convention prédéfinie.
La fondation · la couche nominale
Ontologie — objets et actions
Réponse « Qui, quoi et que peut-on faire ? »
Les éléments fondamentaux sur lesquels tout repose — et les verbes d'action.
La couche fondamentale. Une table de noms explicite – membre, commande, produit – rend les objets eux-mêmes de première classe et les associe aux actions régies qui peuvent être entreprises sur chacun (émettre un coupon, attribuer des points, appliquer une étiquette), chacun avec ses conditions préalables, son autorisation et son audit. Les trois autres atouts sont la sémantique attachée à ces objets ; l'ontologie fournit les objets et ne reformule jamais leurs définitions.
Chaque métrique, balise et comportement décrit le même « membre » – car il y a un seul objet auquel tout s’attache.
Les trois actifs dérivés · sémantique qui s'attache aux objets
Indicateurs
Réponse « Montant »
Une définition certifiée par number, un moteur de calcul unique.
La couche quantitative. Chaque numéro d'entreprise (GMV, désabonnement, rétention, progression de niveau) a exactement une définition faisant autorité, avec un propriétaire nommé et une version, calculée par un seul moteur sémantique. Rien n'est dérivé dans une requête de tableau de bord ou n'est roulé manuellement dans une invite.
Le volume brut de marchandises (GMV) affiché sur le tableau de bord et le GMV fourni par l'IA sont toujours identiques (number).
Étiquettes
Réponse « de quel type »
Classification qui comporte ses propres règles d'utilisation.
La segmentation. Étapes du cycle de vie, niveaux de valeur, propensions : des étiquettes claires et encadrées. Chaque étiquette possède un cycle de vie (active, persistante ou manuelle), appartient à des groupes mutuellement exclusifs où une seule étiquette peut être présente à la fois, respecte le consentement, expire après une durée de vie (TTL) et indique où elle peut être utilisée.
Une étiquette ne précise pas seulement quel type de produit, elle indique également les limites de son utilisation.
Comportement → Intention
Réponse « ce qui s'est passé »
Une chronologie qui dissocie l'identité de l'observation.
La dimension temporelle. Les événements bruts constituent la chronologie observée du client ; les actions concrètes du client (navigation, achat, utilisation de coupons, inactivité) sont considérées comme des comportements. À partir de l'analyse de ces comportements, l'IA déduit une intention, une hypothèse comme « risque de désabonnement », confirmée avant même que quiconque n'agisse. L'identité de l'utilisateur est stockée d'un côté, les observations de l'autre.
Le comportement est porteur d'une signification sémantique, permettant à l'IA de comprendre le pourquoi, et pas seulement le quoi.
Comment les pièces se connectent
La base est le lien qui manquait aux trois éléments.
À eux seuls, les mesures, les balises et le comportement décrivent le même client dans des vocabulaires distincts sans que rien ne les relie : un chiffre GMV, une étiquette risque de désabonnement et un calendrier d'achat sont trois déclarations sur une personne qui ne se rencontrent jamais, car aucune d'entre elles ne fait référence aux autres. Ce qui les relie est la partie fondamentale ci-dessus : la colonne vertébrale de l'objet, une table de noms explicite - membre, ordre, produit - à laquelle chaque actif est suspendu, donc une métrique, une balise et un flux de comportement sont tous résolus vers le même membre au lieu de trois descriptions non liées. La règle qui en fait une base plutôt qu'un quatrième silo dérivé est simple : il fait référence, ne duplique jamais. Les numéros d’un objet pointent vers les définitions métriques certifiées ; ses étiquettes sont les balises appliquées dans le cadre de leurs propres politiques ; sa chronologie est le flux de comportement. L'ontologie possède les objets et les actions ; chaque actif dérivé garde son propre propriétaire.
L'avantage se manifeste lorsqu'une IA raisonne sur un client. Puisque chaque ressource est désormais associée à un élément object identifié, elle peut poser trois questions et obtenir des réponses qui convergent vers un même nom : qu'est-ce que ce client ? (propriétés = métriques + étiquettes), que s'est-il passé ? (comportement → intention) et que puis-je faire ? (actions régies sur object). Trois descriptions qui ne se référaient jamais entre elles deviennent un seul élément object, assemblé à partir de chaque couche.
Un membre object · assemblé à partir de chaque couche
Membre n° 48120 — Amelia R.
Un seul object, lu de la même manière par chaque consommateur
Propriétés · Indicateurs
Valeur volumétrique à vie — certifiée, un moteur
Risque de désabonnement – une définition unique
propriétaire : moteur sémantique
Propriétés · balises
propriétaire : politiques de balises
Chronologie · comportement → intention
Propriétaire : flux d'événements
Que peut-on faire · actions gouvernées
Chacun avec ses préconditions, autorisation et audit
Propriétés issues des métriques et des balises. Chronologie basée sur le comportement. Actions issues de la couche de gouvernance. Un seul object : chaque utilisateur qui le consulte accède au même client.
Ce concept fondamental est celui auquel la page « Ontologie métier » est dédiée. Cette page en est la couche support.
Comment fonctionne la colonne vertébrale de l'objet →Pourquoi c'est important
Une couche partagée représente désormais une différence mesurable, et non plus une préférence.
Lorsque l'IA répond à des questions métier sur des données dont la signification n'a jamais été explicitée ni partagée, elle ne se trompe pas : elle répond avec assurance, mais de manière erronée. Donnez-lui plutôt une couche sémantique gouvernée à analyser, et l'écart de précision est flagrant :
16.7% → 54.2%
Précision du LLM pour répondre aux questions métiers à partir des données d'entreprise
Lors d'un test de performance contrôlé sur un schéma d'assurance réel, un modèle LLM répondant directement à la base de données SQL a obtenu un taux de réussite de 16,7 % aux questions métier. Le même modèle, appliqué aux mêmes données représentées par une couche sémantique explicite (un graphe de connaissances associé à une ontologie), a atteint 54,2 %, soit environ trois fois plus, avant même que sa taille n'augmente. C'est donc la représentation, et non le modèle lui-même, qui constituait le facteur limitant.
Benchmark data.world (Sequeda et al.), arXiv 2311.07509 ↗→ 72%
quand la couche sémantique vérifie et répare également la requête
Un suivi a utilisé l’ontologie elle-même pour valider les requêtes générées par le LLM et corriger celles qui ne la respectent pas, portant la précision à 72 %. De plus, 8 % des réponses sont devenues un « Je ne sais pas » honnête au lieu d’une affirmation péremptoire. Une couche sémantique partagée n’est pas qu’un simple contexte ; c’est un contrat vérifiable.
« Les ontologies à la rescousse ! » (Allemang & Sequeda), arXiv 2405.11706 ↗+17–23 pts
À partir d'un seul document de 4 Ko de couche sémantique, appliqué à trois modèles de pointe
Un test comparatif a appliqué trois modèles linéaires de pointe (LLM) à un même entrepôt de données, à deux reprises : d’abord avec le schéma seul, puis avec le schéma et un document d’environ 4 Ko décrivant les mesures, les conventions et les règles de désambiguïsation. La précision a augmenté de 17 à 23 points pour chaque modèle, et les trois sont devenus statistiquement indiscernables. C’est la sémantique partagée, et non le choix du modèle, qui a fait la différence.
Benchmark Cube apparié, arXiv 2604.25149 ↗60 % échoueront
D'ici 2028, les projets d'analyse agentique reposeront exclusivement sur MCP (Gartner)
Lors de son Data & Analytics Summit 2026, Gartner a averti que 60 % des projets d'analyse d'agents reposant uniquement sur MCP échoueront d'ici 2028 faute de couche sémantique cohérente. L'infrastructure permettant de connecter un agent à vos systèmes est nécessaire, mais sans un modèle partagé de ce que signifie l'activité, elle est insuffisante.
Gartner Data & Analytics Summit 2026, tel que rapporté par Atlan ↗Consensus du secteur
Le secteur de l'analyse de données a convergé vers ce principe il y a des années : dbt et Cube ont popularisé la couche sémantique des indicateurs précisément pour que « revenu » ou « utilisateur actif » soit une définition standardisée que chaque outil utilise — et non une requête SQL que chaque tableau de bord réinterprète à sa manière. Notre couche sémantique applique le même principe aux mesures agrégées, pour aboutir à la classification, au comportement et aux actions régies sur chaque object.
Benchmark Cube apparié, arXiv 2604.25149 ↗Une seule couche, de nombreux consommateurs
Tout est lu au même niveau.
La preuve qu'il s'agit d'une couche one est que des interfaces sans lien apparent — un graphique, une fiche d'approbation, un appel d'outil d'agent, un générateur de segments — renvoient toutes la même signification à la même valeur.
Le tableau de bord
Lecture directe des indicateurs certifiés : chaque KPI, entonnoir et tendance est défini par le moteur sémantique, sans jamais faire l’objet d’une requête locale au graphique.
Tableau de bord →La console d'approbation de l'IA
Propose des actions sous forme de cartes d'approbation en langage simple dont le raisonnement cite les mêmes mesures, balises et chronologie : le nombre qu'un humain approuve est le nombre lu par l'agent.
Gouvernance et approbations de l'IA →Outils d'introspection MCP
Qu'un agent connecté liste les objets, décrive la signification de chaque champ et énumère les actions qu'il peut entreprendre — en lisant les définitions de la couche avant d'agir, et non en devinant à partir de colonnes brutes.
Référence d'introspection →Segmentation de la campagne
Filtre les audiences selon les mêmes indicateurs et étiquettes contrôlées que celles affichées sur le tableau de bord. Ainsi, un segment « VIP à risque » a exactement la même signification que partout ailleurs.
Segments →Pas de transfert d'intégration, pas de remappage entre les outils.
Puisqu’il n’y a qu’une seule couche, ajouter un nouveau consommateur signifie le diriger vers les mêmes définitions – et non lui apprendre le sens de votre entreprise à partir de zéro.
FAQ
Les questions que se posent les équipes de données et d'IA.
En quoi est-ce différent de la page « Ontologie métier » ?
Il s'agit de deux visions d'une même idée. La page sur l'ontologie explore en détail une partie de cette couche : les objets et les actions régies qui en constituent le fondement. Cette page offre une vue d'ensemble : l'ontologie comme couche de base, à laquelle s'ajoutent les trois ressources régies dérivées (métriques, étiquettes, comportement → intention) qui y sont rattachées, et la manière dont chaque utilisateur interprète une réponse. Consultez la page sur l'ontologie pour comprendre le concept du modèle object ; consultez celle-ci pour comprendre comment les quatre parties fonctionnent comme une seule couche.
Une « couche sémantique » n'est-elle pas simplement la couche de métriques de dbt ou de Cube ?
C'est de là que vient le terme, et c'est le même instinct : une définition standardisée que chaque outil utilise, au lieu d'une requête SQL régénérée pour chaque tableau de bord. Mais une couche sémantique analytique segmente les mesures agrégées. La nôtre représente l'ensemble opérationnel : une ontologie fondamentale d'objets et d'actions régies, à laquelle sont rattachés trois actifs dérivés : les mesures (métriques), la classification (étiquettes) et le comportement et l'intention. Les métriques ne constituent qu'une partie de cette couche, et non la totalité.
Si l’ontologie fait partie de la couche, n’est-elle pas simplement un quatrième silo ?
Non — c’est cette distinction qui permet de conserver une seule couche. L’ontologie constitue la base (les noms et les verbes régis), et non un quatrième silo sémantique dérivé aux côtés des métriques, des tags et des comportements. Ces trois éléments décrivent des choses — la quantité, le type, ce qui s’est passé ; l’ontologie fournit les objets auxquels ces descriptions se rapportent, ainsi que les actions qui leur sont associées. Il fait référence, il ne duplique jamais : les numéros d’un object pointent vers les définitions de métriques certifiées au lieu de les répéter, ses étiquettes sont les balises appliquées selon leurs propres politiques, sa chronologie correspond au flux de comportement. Chaque élément conserve son propriétaire ; l’ontologie est propriétaire des objets et des actions, et non des définitions des trois autres éléments.
Nos champs et objets personnalisés sont-ils intégrés à la même couche ?
Oui, automatiquement. Ajoutez un attribut personnalisé aux membres (une adhésion number, un magasin préféré, ou un élément entièrement personnalisé object comme une réparation ou un rendez-vous d’entretien) et il intègre la même couche sémantique : introspectable par l’IA, descriptible champ par champ, utilisable dans les segments et la personnalisation. Il n’y a pas de données de seconde zone ni d’intégration séparée à configurer.
Une seule couche sémantique implique-t-elle une dépendance vis-à-vis du fournisseur ?
Non, l'objectif de cette couche est de rendre la sémantique lisible, et non dissimulée. Les définitions, les politiques de balisage et les schémas object sont consultables et exportables via API et MCP : un agent (ou votre équipe) peut lister les objets, consulter la signification de chaque champ et exporter les définitions. Une réponse partagée au sein de la plateforme, accessible à l'extérieur.
Quel est le rapport avec la gouvernance des données ?
Ces deux éléments sont complémentaires. La gouvernance des données garantit la fiabilité des données elles-mêmes : une définition certifiée par number, consentement respecté, accès contrôlé, données propres. La couche sémantique, quant à elle, régit le sens : les noms communs, les libellés, la chronologie et les actions que chaque utilisateur consulte. Les données gouvernées constituent le socle ; une seule couche sémantique représente la réponse unique construite sur ce socle.
Associé : Ontologie métier · Métriques · Étiquettes · Comportement et intention · Données Gouvernance
Pour aller plus loin
Continuez à explorer les pages les plus pertinentes.
Décision intelligente
La prochaine action recommandée : qui, quelle offre, quel canal et quand.
En savoir plus CapacitéConsumer World Model
La technologie de base sous chaque décision : un modèle de comportement qui apprend comment vos membres se comportent réellement - formés par marque sur leur propre flux d'événements, honnêtement déterminé par rapport à une base de référence transparente - plus un jumeau numérique qui simule ce qu'ils feraient ensuite, répétant les campagnes (et la possibilité de ne rien faire) avant qu'un message ne soit diffusé. Ensemble, un modèle complet et vivant de votre base de membres.
En savoir plus CapacitéTableau de bord
Données en temps réel de la conversion des points sous forme de tendances des indicateurs clés de performance (KPI), diagnostics du tunnel de conversion, et un panneau de règles et de recommandations pour la prochaine action optimale. Accédez également aux courbes de rétention par cohorte d'inscription et à une prévision de revenus sur 14 jours, qui précise qu'il s'agit d'une projection et non d'un engagement.
En savoir plus CapacitéObjectifs commerciaux
Transformez n’importe quel KPI gouverné en un objectif opérationnel qui répond à quelqu’un. Décomposez une cible sur un seul arbre parent-enfant sur deux axes — temps (année → trimestre → mois) et organisation (entreprise → régions du magasin → magasin) — puis laissez les chiffres réels s'accumuler automatiquement à partir des commandes réelles du même calibre que celui lu par votre tableau de bord, avec un statut rouge/jaune/vert, une projection de rythme et une alerte dès qu'un objectif déraille.
En savoir plus CapacitéSoTag pour Slack
L'agent Slack qui transmet des données contrôlées et auditées à Claude en temps réel : analyse quotidienne des anomalies + envoi de coupons approuvé par un humain. Accès anticipé.
En savoir plus CapacitéSoClaw — Recrutez vos employés IA
Recrutez des IA pour votre programme de fidélité : des agents autonomes ayant chacun une fonction bien définie : un Gestionnaire de fidélité qui fidélise les clients à risque, un Gestionnaire de commandes qui traite les commandes et les reçus, un Gestionnaire des risques qui protège les points contre la fraude et un Gestionnaire marketing qui transforme un objectif en campagne opérationnelle. Chaque agent traite un cas à la fois, dans les limites que vous définissez, et consigne chaque décision. Vous les gérez comme une équipe, avec des objectifs, des budgets, des tâches et des retours d'information. Désactivé par défaut, limité, pause instantanée. Accès anticipé.
En savoir plus