# Data & Context Studio : préparation des données et contexte commercial > Connectez vos sources, préparez vos données et définissez leur signification, pour que l’analyse, l’IA et l’exécution du pricing s’appuient sur un socle commercial partagé. Data & Context Studio fait partie de chaque abonnement Revomo. Source: https://revomo.ai/fr/product/data-context-studio/ --- ## Transformez vos données commerciales en contexte prêt pour la décision. Connectez vos sources, préparez vos données et définissez leur signification, pour que l’analyse, l’IA et l’exécution du pricing s’appuient sur un socle commercial partagé. Voir le Studio en action[Parler de vos données](https://revomo.ai/fr/contact/?plan=Data%20%26%20Context%20Studio) - **01**Connecter et préparer - **02**Construire et transformer - **03**Définir le contexte - **04**Gouverner et tracer - **05**Alimenter chaque fonctionnalité Data Hub */* Datasets */* **Invoice lines** Sync now New record Pricing review Drag here to set row groups Jump to column | Invoice | Customer | Product | Qty | List price | Net price | Discount % | Margin % | 1 | INV-20418 | Northline Supply | 2" PVC coupling | 500 | $5.20 | $4.62 | 11.2% | 31.4% | 2 | INV-20418 | Northline Supply | 3/4" tee | 1,200 | $1.32 | $1.18 | 10.6% | 34.0% | 3 | INV-20421 | Harbor Mechanical | 1" ball valve | 40 | $13.10 | $11.80 | 9.9% | 27.9% | 4 | INV-20422 | Ridgeway Plumbing | 2" elbow 90° | 300 | $3.45 | $3.05 | 11.6% | 29.2% | 5 | INV-20425 | Ridgeway Plumbing | 1/2" coupling | 2,000 | $0.58 | $0.51 | 12.1% | 30.8% | 6 | INV-20427 | Summit Builders | 2" PVC coupling | 250 | $5.20 | $4.78 | 8.1% | 33.6% | 7 | INV-20430 | Lakeside Contractors | 1" ball valve | 25 | $13.10 | $12.05 | 8.0% | 29.4% | 8 | INV-20431 | Northline Supply | 4" cleanout | 60 | $9.80 | $8.62 | 12.0% | 26.1% | 9 | INV-20433 | Harbor Mechanical | 3/4" tee | 800 | $1.32 | $1.21 | 8.3% | 36.2% | 10 | INV-20436 | Summit Builders | 2" elbow 90° | 150 | $3.45 | $3.12 | 9.6% | 30.1% | 11 | INV-20438 | Lakeside Contractors | 1/2" coupling | 1,500 | $0.58 | $0.53 | 8.6% | 32.4% | 12 | INV-20440 | Northline Supply | 1" ball valve | 60 | $13.10 | $11.66 | 11.0% | 27.1% | 13 | INV-20441 | Harbor Mechanical | 4" cleanout | 24 | $9.80 | $8.92 | 9.0% | 28.3% | 14 | INV-20443 | Summit Builders | 3/4" tee | 1,000 | $1.32 | $1.19 | 9.8% | 34.7% | 15 | INV-20444 | Ridgeway Plumbing | 2" PVC coupling | 400 | $5.20 | $4.68 | 10.0% | 32.0% | 16 | INV-20446 | Lakeside Contractors | 2" elbow 90° | 200 | $3.45 | $3.19 | 7.5% | 31.5% | 17 | INV-20447 | Harbor Mechanical | 2" PVC coupling | 350 | $5.20 | $4.73 | 9.0% | 32.6% | 18 | INV-20449 | Summit Builders | 1/2" coupling | 2,400 | $0.58 | $0.52 | 10.3% | 31.6% | 19 | INV-20451 | Northline Supply | 3/4" tee | 900 | $1.32 | $1.17 | 11.4% | 33.4% | Page Size: **50 ** **1** to **50** of **18,412** · Page **1** of **369** **Edit column: Net price** $ USD Basic settings Name *Net price* Description *Invoice price after on-invoice discounts, excluding rebates and freight. USD per pricing unit, dated by invoice date.* Semantic tags *** measure:price:net_invoice*** Data type *Money * Currency *USD * Validation and behavior Validation rules ***Numeric range · greater than 0****Comparison · not above List price*** **Strict type validation** Invalid imported values go to staging instead of silently becoming empty. **Allow record editing** Used By (2) Margin by customer*reads from* Fittings cost-plus*looks up* Source records, business definitions and dependencies in one workspace. 01 · Connecter et préparer ### Rassemblez vos données commerciales. Connectez systèmes et fichiers, examinez leur structure et résolvez les problèmes de données avant qu’ils n’atteignent les décisions commerciales. Staging #### Les lignes défectueuses attendent d’être corrigées, sans être perdues. Une valeur qui ne respecte pas son type ou une règle de validation met la ligne en attente, avec son texte d’origine. Corrigez une ligne ou plusieurs à la fois, et les lignes qui passent rejoignent le dataset. **Staging** Coûts fournisseurs Problèmes | Coût unitaire | Début de validité | 1 problème · pas un nombre | 12,40 | 2026-04-01 | 1 problème · date non valide | 4.10 | 31/02/2026 | 1 problème · pas un nombre | n/a | 2026-04-01 | **Mise à jour groupée : Coût unitaire** Correspondance exacte Expression régulière Table de correspondance Rechercher la valeur exacte *,* Remplacer par *.* Annuler Appliquer la mise à jour Profilage #### Voyez les lacunes et les incohérences avant qu’elles n’atteignent un prix. Profilez un dataset pour voir, pour chaque colonne, la part de valeurs manquantes et uniques, sa distribution ou ses valeurs les plus fréquentes, avec un résumé IA de ce qu’il faut regarder en premier. **Profil** Lignes de facture Uniques (%) 10.0 Manquantes (%) 19.9 Distribution des valeurs **************************************** 0% 25% 50% **Groupe de produits** Texte Distinctes 148 Manquantes (%) 77.1 Valeurs les plus fréquentes - Fittings ****412** - Valves ****281** - FITTINGS ****57** - (manquant) ****687** avertissement Groupe de produits est manquant sur 77.1% des lignes, et « FITTINGS » ressemble à une seconde orthographe de « Fittings ». Recommandation : uniformiser les valeurs du groupe de produits avant de regrouper les prix par groupe. Import et schéma #### Examinez la structure avant l’arrivée de la première ligne. Préparez un fichier, vérifiez les types détectés, puis acceptez ou modifiez les noms, types, descriptions et tags suggérés pour chaque colonne. **Import** Coûts fournisseurs - Choisir la source - Vérifier la correspondance - Importer les données **Correspondance des colonnes** 4 nouvelles colonnes source Suggestion IA Sélectionner les colonnes à importer | Nom de colonne | Type de données | Tags | ITM_NO | Numéro d’article*IA* | Text*IA* | identifier:product:sku | MTL_STD_CST | Coût standard*IA* | Money*IA* | measure:cost:standard | EFF_DT | Début de validité*IA* | Date*Auto* | | VND | Fournisseur*IA* | Text*Auto* | | Intégrations #### Gardez les sources connectées à jour. Les datasets connectés s’actualisent selon leur propre planification, et les colonnes qui apparaissent dans une source peuvent être ajoutées et remplies rétroactivement. **Connexions d’intégration** Comment ça marche : fichiers, suggestions, connecteurs et staging Classeurs Les imports lisent des fichiers CSV et TSV. Pour un classeur Excel, choisissez les feuilles dont vous avez besoin dans File Manager (avec la ligne d’en-tête), et chacune devient un fichier CSV prêt à importer. Suggestions de colonnes Les suggestions sont tirées de l’en-tête de chaque colonne et d’au plus cinq valeurs d’exemple. Chaque suggestion reste modifiable, et aucune ne porte de score de confiance. Connecteurs Databricks, Salesforce et Google Drive se connectent aujourd’hui. Les synchronisations s’exécutent manuellement ou selon une planification (de l’heure au mois, ou cron) ; Salesforce se synchronise de façon incrémentale, les autres s’actualisent intégralement. Staging Chaque colonne peut être analysée strictement (les valeurs en échec vont en staging) ou avec tolérance (les valeurs en échec deviennent vides). Un import avec des lignes en staging est un chargement partiel, et le compteur le dit. 02 · Construire et transformer ### Construisez les données dont dépendent vos décisions. Combinez des sources, calculez des mesures et créez des vues réutilisables sur un canevas visuel, chaque transformation restant ouverte à l’inspection. Ci-dessous, un exemple : un modèle de données de ventes. Data Hub */* Views */* **Sales Data Model** 1 Enrichment 2 Cost layering 3 Periods 4 Rebates 5 Metrics 6 Output 18 columns 412,806 rows - Invoice ID - SKU - Customer ID +3 more columns **Products** Dataset 24 columns 6,214 rows - SKU - Brand - Category +1 more columns **Customers** Dataset 16 columns 3,480 rows - Customer ID - Segment - Region +1 more columns **Sales Reps** Dataset 9 columns 64 rows - Sales Rep ID - Territory - Channel **Standard Cost History** Dataset 11 columns 58,930 rows - SKU - Effective Start - Effective End +1 more columns **Replacement Cost History** Dataset 14 columns 74,520 rows - SKU - Snapshot Date - FOB +3 more columns **Orders** Dataset 12 columns 96,140 rows - Order ID - Order Date - Payment Terms **Quotes** Dataset 10 columns 21,305 rows - Quote ID - Customer Code - Quote Date **Quote Lines** Dataset 13 columns 188,442 rows - Quote ID - SKU - Quoted Quantity +1 more columns **Rebate Programs** Dataset 8 columns 42 rows - Program ID - Program Name - Accrual Basis **Rebate Accruals** Dataset 9 columns 15,876 rows - Program ID - Customer Code - Accrual Date +1 more columns **Products Joined** Combine two input streams 41 columns 412,806 rows - Brand - Category - Country of Origin **Customers Joined** Combine two input streams 56 columns 412,806 rows - Segment - Region - Buying Group **Sales Reps Joined** Combine two input streams 64 columns 412,806 rows - Territory - Channel **Standard Cost Joined** Combine two input streams 74 columns 412,806 rows - Standard Cost - Effective Start - Effective End **Month End Date** Add calculated columns 75 columns 412,806 rows - Month End Date **Snapshot Month End** Add calculated columns 15 columns 74,520 rows - Snapshot Month End **Replacement Cost Joined** Combine two input streams 88 columns 412,806 rows - FOB - Duty - Tariff +1 more columns **Orders Joined** Combine two input streams 99 columns 412,806 rows - Order Date - Payment Terms **Quote Headers and Lines** Combine two input streams 22 columns 188,442 rows - Quote Date - Quoted Quantity - Quoted Discount **Quotes Joined** Combine two input streams 120 columns 412,806 rows - Quote Date - Quoted Quantity - Quoted Discount **Year and Quarter** Add calculated columns 122 columns 412,806 rows - Invoice Year - Invoice Year Quarter **Revenue and Unit Metrics** Add calculated columns 129 columns 412,806 rows - Extended Net Revenue - Premier Brand Revenue - Specialty Category Revenue +1 more columns **Customer Quarter Revenue** Group and summarise rows *Ready 2h ago* 3 columns 9,812 rows - Customer ID - Year Quarter - Extended Net Revenue **Accruals with Program** Combine two input streams 16 columns 15,876 rows - Program Name - Accrual Basis - Accrual Amount **Accrual Year Quarter** Add calculated columns 17 columns 15,876 rows - Accrual Year Quarter **Accruals with Revenue** Combine two input streams 19 columns 15,240 rows - Customer Quarter Revenue - Accrual Amount - Year Quarter **Allocation Rate per Program** Add calculated columns 20 columns 15,240 rows - Allocation Rate **Total Allocation Rate** Group and summarise rows 3 columns 9,107 rows - Customer - Year Quarter - Total Allocation Rate **Total Allocation Joined** Combine two input streams 130 columns 412,806 rows - Total Allocation Rate **Allocated Rebate** Add calculated columns 131 columns 412,806 rows - Allocated Rebate **Sales Data Model** View output *Ready 2h ago* 131 columns 412,806 rows - Invoice ID - Net Invoice Price - Allocated Rebate +1 more columns View whole pipeline Reset + − Sales Data Model 11 source datasets feed 20 transformation steps that produce one table, a row per invoice line. Stage 2 of 6 · Cost layering ##### Use the cost that applied when the transaction happened. Match each invoice line to its effective cost before calculating margin. What enters Invoice lines, standard cost history with effective dates, and monthly replacement-cost snapshots. What happens Standard cost joins where the invoice date falls between Effective Start and Effective End; replacement cost (FOB, duty, tariff, freight) joins on the snapshot for the invoice month. Why it matters Margin reflects the cost in effect at the sale, not today’s cost. Key step · Join **Standard Cost Joined** Left Join - SKU *=* SKU - Invoice Date *>=* Effective Start - Invoice Date * Le canevas suit le constructeur de vues de Revomo. Les données sont illustratives ; le guide d’étapes et les explications ont été ajoutés pour cette page. - **Toutes les opérations dont vous avez besoin** Jointure, filtre, agrégation, union, pivot, tri et calcul, chaque étape pouvant être stockée comme table. - **Jointures temporelles** Les conditions de jointure comparent autant qu’elles apparient, de sorte qu’un coût ou un prix ne s’applique que dans ses dates de validité. - **Chaque étape ouverte** Chaque nœud affiche ses colonnes et son nombre de lignes ; ouvrez-le pour voir sa configuration ou prévisualiser ses données. Formules et lookups #### Calculez à travers datasets, vues et listes de prix. Les colonnes de formule vivent dans les vues et les listes de prix. Un lookup tire une valeur d’un autre dataset, d’une vue, d’une liste de prix ou d’un ruleset, et une description en langage courant peut rédiger la formule pour que vous la vérifiiez. **Nouvelle colonne** Prix cible · Money 'Unit cost' / (1 - lookup (source= "datasets" , name= "Subcategory strategy" , result= "Target margin" , match_by=[ 'Subcategory' : 'Subcategory' ])) Vérification réussie Rédigée à partir d’une description Sous-catégorie | Coût unitaire | Marge cible | Prix cible | Raccords | $4.32 | 30% | **$6.17** | Tés | $1.05 | 35% | **$1.62** | Regards de nettoyage | $9.10 | 28% | **$12.64** | Également dans le modèle - **Clés** Choisissez les colonnes qui identifient un enregistrement ; une vérification d’impact indique, avant l’enregistrement, combien de lignes sont uniques, et les doublons quittent la table active et sont exportés pour audit. Sans clé dans la source, les lignes sont numérotées automatiquement. - **Enregistrements** Ajoutez des enregistrements via un formulaire typé, verrouillez les colonnes qui ne doivent pas changer, et mettez à jour ou supprimez des enregistrements. Les grilles de listes de prix et de staging se modifient directement dans la cellule. - **Explorer et exporter** Filtrez n’importe quelle colonne par ses valeurs, tracez un graphique d’une sélection, enregistrez des dispositions pour vous ou pour un rôle, et exportez en CSV avec les vrais noms de colonnes. Comment ça marche : vues et formules Opérations Les vues combinent datasets, listes de prix et autres vues avec des jointures (inner, left, right, full, cross, correspondances seules et sans correspondance), des filtres, des agrégations, des unions, des pivots, des tris et des colonnes de formule. Conditions de jointure Chaque condition compare deux colonnes avec ==, !=, >, <, >= ou <=, et c’est ainsi que s’écrit un appariement à date de validité. Formules Les datasets contiennent les lignes importées ; les colonnes de formule appartiennent aux vues et aux listes de prix. Une formule est vérifiée à l’enregistrement, et le constructeur de vues peut aussi rédiger un pipeline à partir d’un objectif énoncé, pour que vous le relisiez. 03 · Définir le contexte ### Donnez à vos données une signification métier partagée. Définissez les mesures, les unités et les relations pour que les équipes et l’IA interprètent les données commerciales dans leur contexte. - **Champ source** NET_PR_2 - **Définition métier** Prix net, sur Lignes de facture - **Relations** Clients, Produits, par clé - **Utilisé dans** Modèle commercial, analyse **Commercial Context Graph** Net price Databricks · invoice_lines `NET_PR_2` decimal(12,4) Source field Invoice lines Net price Money · USD Defined here measure:price:net_invoice Standard Cost History Standard Cost Money · USD Defined here measure:cost:standard Sales Data Model Net price Money · USD Reads from Invoice lines Sales Data Model Margin % Percentage Calculated measure:margin:gross Fittings cost-plus Realized net Money · USD Looks up Net price Margin by customer Margin % Percentage References the view Fittings · Q4 distributor Realized net Money · USD Inherits from the model Fittings · Q4 OEM Realized net Money · USD Inherits from the model Customers Joined on Customer ID Products Joined on SKU Source system · Databricks · invoice_lines ##### NET_PR_2 decimal(12,4) About The ERP column, read on each daily sync and imported into Invoice lines as Net price. Used by - **Invoice lines · Net price** imported Dataset · Invoice lines ##### Net price Money · USD Business definition Invoice price after on-invoice discounts, excluding rebates and freight. USD per pricing unit, dated by invoice date. Semantic tag `measure:price:net_invoice` Validation Greater than 0 (blocking); not above List price Comes from - **Databricks · invoice_lines · NET_PR_2** imported Used by - **Sales Data Model · Net price** reads from Dataset · Standard Cost History ##### Standard Cost Money · USD Business definition Material cost at standard, per unit, in effect for the invoice date. Semantic tag `measure:cost:standard` Validation Greater than 0 (blocking) Used by - **Sales Data Model · Margin %** calculated from View · Sales Data Model ##### Net price Money · USD Business definition Read from Invoice lines · Net price, where it is defined: Invoice price after on-invoice discounts, excluding rebates and freight. Relationships - **Customers** joined on Customer ID - **Products** joined on SKU Comes from - **Invoice lines · Net price** reads from Used by - **Sales Data Model · Margin %** calculated from - **Fittings cost-plus · Realized net** looks up View · Sales Data Model ##### Margin % Percentage Formula ('Net price' - 'Standard Cost') / 'Net price' Semantic tag `measure:margin:gross` Comes from - **Sales Data Model · Net price** calculated from - **Standard Cost History · Standard Cost** calculated from Used by - **Margin by customer · Margin %** references Commercial model · Fittings cost-plus ##### Realized net Money · USD Formula lookup(source="views", name="Sales Data Model", result="Net price", match_by=['SKU':'SKU']) Comes from - **Sales Data Model · Net price** looks up Used by - **Fittings · Q4 distributor · Realized net** inherits - **Fittings · Q4 OEM · Realized net** inherits Analysis · Margin by customer ##### Margin % Percentage Comes from - **Sales Data Model · Margin %** references Price list · Fittings · Q4 distributor ##### Realized net Money · USD Comes from - **Fittings cost-plus · Realized net** inherits Price list · Fittings · Q4 OEM ##### Realized net Money · USD Comes from - **Fittings cost-plus · Realized net** inherits Le Commercial Context Graph pour Prix net, du champ source à chaque utilisation, construit à partir de ce que l’espace de travail enregistre : la définition, le tag et les règles de la colonne, les jointures dans la vue, et la traçabilité (lineage). Sélectionnez une colonne pour voir sa signification et ses connexions. Données illustratives. Règles de validation #### Écrivez ce qu’est une valeur valide. Ajoutez une plage numérique, des valeurs autorisées, un motif, une comparaison avec une autre colonne, ou une valeur qui doit exister dans un autre dataset. Une règle bloquante arrête une valeur en échec ; les autres règles la laissent passer et la signalent. **Règles de validation** Lignes de facture Tags sémantiques #### Taguez ce que chaque colonne signifie. Les tags viennent d’un vocabulaire commercial intégré plus le vôtre, de sorte qu’une colonne se lit comme un chiffre d’affaires net, un coût unitaire ou un identifiant client partout où elle apparaît. - measure:price:net_invoice Prix net - measure:cost:standard Coût standard - identifier:customer:sold_to ID client - time:event:invoice_date Date de facture [Comment fonctionne le contexte commercial](https://revomo.ai/fr/commercial-context/) Comment ça marche : définitions et relations Définitions Chaque colonne porte une description, un type (avec la devise pour les montants), des tags sémantiques et des règles de validation. Copilot les lit quand il répond. Relations Les relations sont portées par les clés, les jointures et les lookups de votre modèle. Les libellés de l’exemple décrivent la relation commerciale ; ils ne sont pas un graphe stocké séparément. 04 · Gouverner et tracer ### Contrôlez l’accès. Comprenez chaque changement. Gérez les permissions, inspectez les dépendances et consultez les changements enregistrés sur l’ensemble de vos données commerciales. Traçabilité (lineage) #### Voyez ce qui dépend de ces données avant de les modifier. La traçabilité montre de quoi dépend un dataset, une vue, un modèle commercial, une liste de prix ou un ruleset, et ce qui en dépend, dans tout l’espace de travail. **Lineage** Coûts fournisseurs lit depuis *View***Marge par client** fait un lookup dans *Modèle commercial***Fittings cost-plus** hérite de *Liste de prix***Fittings · Q4 distributeur** *Liste de prix***Fittings · Q4 OEM** Utilisé par (4) : un changement dans Coûts fournisseurs peut affecter 1 vue, 1 modèle commercial et 2 listes de prix. Historique des enregistrements #### Sachez ce qui a changé, quand et par qui. Activez l’historique pour un dataset et chaque modification de ligne est enregistrée : le champ, l’ancienne et la nouvelle valeur, qui l’a modifié et quand. **Historique** PVC-C200 Coût unitaire $4.10 **$4.32***+0.22* - 24 sept. · 14:31 J. Rivera Mis à jour Coût unitaire $4.25 **$4.10***−0.15* - 15 sept. · 09:00 Système Mis à jour Coût unitaire $4.18 **$4.25***+0.07* Activer le suivi de l’historique Activé dans les paramètres Data Lifecycle de ce dataset, conservé pour la durée de rétention qui y est définie. Permissions #### Accordez à chaque rôle ce dont il a besoin. Les permissions se définissent par fonction, de sorte qu’un rôle peut modifier des listes de prix sans toucher au modèle commercial qui les sous-tend. **Responsable pricing** Rôle Audit #### Conservez la trace de qui a fait quoi. - **Journal d’audit** Enregistrement consultable et exportable des actions dans tout l’espace de travail. - **Partage d’élément** Partagez un élément individuel avec des utilisateurs ou des rôles nommés. - **Séparation** Les organisations gardent les données séparées, et les espaces de travail les partitionnent au sein d’une organisation. [Gouvernance et sécurité](https://revomo.ai/fr/enterprise/) Comment ça marche : traçabilité et historique Les lookups se lient par le nom Un lookup désigne sa source par son nom ; renommer ou supprimer un dataset, une vue ou une colonne peut donc vider une formule dépendante. Vérifiez d’abord ses dépendants dans la traçabilité ; elle les montre, elle ne bloque pas le changement. Historique L’historique est désactivé jusqu’à ce que vous l’activiez pour un dataset, et il conserve les changements pendant la durée de rétention que vous définissez. 05 · Alimenter chaque fonctionnalité ### Préparez vos données une fois. Exploitez-les dans tout Revomo. Utilisez des données et des définitions partagées dans l’analyse, la planification, le pricing et le travail assisté par l’IA. - [**Analytics & Insights**Les analyses lisent les mêmes datasets, vues et définitions.](https://revomo.ai/fr/product/analytics-insights/) - [**Planning & Forecasting**Les plans utilisent les mêmes produits, clients et unités.](https://revomo.ai/fr/product/planning-forecasting/) - [**Predictive Modeling**Les modèles s’entraînent sur des colonnes dont la signification est décrite.](https://revomo.ai/fr/product/predictive-modeling/) - [**Decision Optimization**Les contraintes s’écrivent sur des mesures définies.](https://revomo.ai/fr/product/decision-optimization/) - [**Price Management**Les listes de prix se calculent à partir des datasets avec des formules et des lookups.](https://revomo.ai/fr/product/price-management/) - [**Quoting & Deal Pricing**Les recommandations s’appuient sur les mêmes enregistrements clients et prix.](https://revomo.ai/fr/product/quote-management/) - [**Contract Pricing & Renewals**Les conditions clients côtoient les mêmes articles et les mêmes prix.](https://revomo.ai/fr/product/contract-management/) - [**Rebates & Incentives**Les provisions utilisent les mêmes données de volume et de prix.](https://revomo.ai/fr/product/incentives-management/) Revomo Copilot #### Interrogez les données dans vos propres termes. Copilot lit les schémas, définitions, tags, règles et la traçabilité via ses outils, dans les limites des permissions de l’utilisateur qui pose la question. **Revomo Copilot** get dataset schema Terminé check impact analysis Terminé Deux listes de prix : **Fittings · Q4 distributeur** et **Fittings · Q4 OEM**. Toutes deux héritent du modèle Fittings cost-plus, qui fait un lookup du Coût standard dans Coûts fournisseurs. [Revomo Copilot](https://revomo.ai/fr/copilot/) Automatisation #### Agissez quand une actualisation change quelque chose d’important. Après l’actualisation d’un dataset ou la synchronisation d’une source, une automatisation peut comparer une valeur surveillée à un seuil, puis alerter quelqu’un ou recalculer une liste de prix. **Veille sur les changements de coût** Automatisation [AI Agents & Automation](https://revomo.ai/fr/ai-agents-automations/) Les automatisations s’exécutent à chaque actualisation ou synchronisation des données, pas en flux continu. Les listes de prix et les rulesets portent leurs propres relecture, validation et révisions dans [Price Management](https://revomo.ai/fr/product/price-management/). Data & Context Studio fait partie de la Foundation Commercial Data & Context incluse dans chaque abonnement Revomo ([tarifs](https://revomo.ai/fr/pricing/)). ### Voyez comment vos données deviennent du contexte commercial. Parcourez avec nous la façon dont vos sources, définitions et règles se rejoignent dans Data & Context Studio. [Réserver une présentation de vos données](https://revomo.ai/fr/contact/?plan=Data%20%26%20Context%20Studio)[Explorer la plateforme](https://revomo.ai/fr/platform/)