ADM × Galilée — Un OAD web pour piloter la performance nutritionnelle des élevages avicoles
ADM, 60 ans de nutrition animale et une ambition digitale claire
ADM est l’un des leaders mondiaux du prémix en nutrition animale. Présent dans plus de 50 pays, le groupe accompagne des milliers d’éleveurs avec des solutions nutritionnelles adaptées à chaque espèce — volaille, porcs, ruminants, lapins, chevaux.
En France, les techniciens ADM interviennent directement sur le terrain. Leur rôle : analyser les données de l’exploitation, identifier les écarts de performance, ajuster les programmes alimentaires. Un travail qui demande de la précision. Et des outils à la hauteur.
de temps passé à collecter et retraiter les données par visite terrain
d’amélioration moyenne de l’indice de consommation sur les lots suivis via Galilée
plus de lots suivis simultanément par technicien grâce à la centralisation
des rapports de visite générés automatiquement, sans ressaisie
LE CHALLENGE
Avant Galilée, les techniciens ADM travaillaient avec ce qu’ils avaient : des fichiers Excel, des bases de données internes pas toujours synchronisées, des documents partagés par email. Chaque visite d’exploitation commençait par collecter et retraiter des données à la main. Chronophage. Sujet aux erreurs. Peu traçable.
Pour les éleveurs, le résultat était le même : pas de visibilité sur l’évolution de leurs performances dans le temps, des alertes qui arrivaient trop tard, des recommandations difficiles à comparer d’un lot à l’autre.
Le problème n’était pas le manque de données.
C’était l’absence d’un outil capable de les agréger, de les analyser et d’en sortir quelque chose d’actionnable — rapidement, sur le terrain, sans ressaisie.
ADM avait besoin d’un OAD construit sur sa propre logique métier — pas un outil générique adapté à la va-vite, mais une application pensée pour la volaille de chair et les poules pondeuses, avec les référentiels zootechniques d’ADM intégrés nativement.
Galilée — Angular en front, Node.js en back, MongoDB pour la flexibilité des données
Le choix de MongoDB n’était pas anodin. Les données d’exploitation en élevage sont hétérogènes par nature — des lots avec des historiques variables, des paramètres qui changent selon le stade physiologique, des structures qui diffèrent d’une exploitation à l’autre. Un schéma relationnel rigide aurait été un frein. MongoDB nous a donné la flexibilité nécessaire pour modéliser ça correctement.
Angular pour l’interface : un framework structuré, adapté à une application métier avec des vues complexes, des formulaires de saisie denses et des tableaux de bord qui agrègent beaucoup de données. Node.js pour l’API et la couche de calcul — les algorithmes de diagnostic nutritionnel tournent côté serveur, pas dans le navigateur.
Ce que Galilée fait concrètement
- Saisie et suivi des données de lot : poids vifs, consommation d'aliment, taux de ponte, mortalité, indice de consommation — avec historisation complète par exploitation
- Moteur de diagnostic : comparaison automatique entre les performances observées et les courbes de référence ADM, détection des écarts significatifs
- Recommandations nutritionnelles contextualisées générées à partir du profil de l'exploitation et du stade de production en cours
- 'exploitation et du stade de production en cours Tableaux de bord par exploitation : performance sur plusieurs cycles, comparaison inter-lots, identification des tendances
- Gestion multi-profils : technicien ADM, responsable de zone, éleveur — chacun voit ce qui le concerne
- Génération automatique des rapports de visite — structurés, directement utilisables sur le terrain
La technologie que nous utilisons pour prendre en charge Paysafe
Moins de temps sur les données. Plus de temps sur le conseil.
Le vrai défi, c'était de comprendre le métier avant d'écrire la première ligne de code.
La nutrition avicole, c’est un domaine très spécialisé. Avant de cadrer l’architecture, on a passé du temps à comprendre comment les techniciens ADM travaillent vraiment sur le terrain — quelles données ils regardent en premier, comment ils raisonnent quand un lot décroche, ce qui les fait perdre du temps.
Ce travail de cadrage amont, c’est ce qui a permis de livrer un outil que les techniciens ont adopté naturellement — pas parce qu’on leur a demandé, mais parce qu’il correspondait exactement à leur façon de travailler.