Cartes d’expérience client avec intelligence géographique

L’expérience client avec intelligence géographique utilise le contexte géographique, des données métier autorisées et l’intention du client pour aider une personne à découvrir, comparer et choisir le bon lieu, puis à agir. L’intelligence géographique traditionnelle visualise souvent des données géospatiales pour l’analyse interne. Un produit orienté client répond plutôt à la question de savoir quel emplacement correspond à la demande actuelle et propose une action suivante, par exemple un itinéraire, une réservation, une demande de renseignements ou un retrait. Les systèmes de confiance restent la source de référence pour l’inventaire et les politiques ; les services géospatiaux calculent la distance, le temps de trajet et l’appartenance spatiale ; un modèle de langage interprète les intentions complexes.

Les sections ci-dessous distinguent l’intelligence géographique de type tableau de bord d’une surface de décision destinée au client, puis couvrent les données, l’architecture, les modèles sectoriels, la mesure et la place de Kaleidr. Lectures associées : Qu’est-ce qu’une API d’intelligence géographique ?, Qu’est-ce que l’IA spatiale ? et Comment créer un assistant IA conscient de la carte.

Principes essentiels de l’expérience client avec intelligence géographique

• La décision d’abord : nommez le choix du client et l’action métier avant de choisir une carte ou un modèle.
• Découvrir → Comparer → Agir : des lieux pertinents, des compromis vérifiables, puis une étape suivante que l’application hôte peut mener à bien.
• Filtres stricts avant le classement : l’éligibilité et la disponibilité précèdent le temps de trajet ou les préférences.
• L’IA interprète l’intention : les services géospatiaux calculent la géométrie ; les systèmes métier font autorité sur l’inventaire et les politiques.
• Mesurez l’action : itinéraire, réservation, demande, retrait ou sauvegarde sont plus importants que les déplacements de carte, les clics sur marqueurs et le volume de chat.

En quoi l’expérience client avec intelligence géographique diffère-t-elle de l’analyse ?

Les définitions des fournisseurs décrivent encore principalement l’intelligence géographique comme une source d’insights pour les opérateurs. Esri définit actuellement le terme comme « les connaissances obtenues en visualisant et en analysant des données géospatiales », généralement en superposant démographie, trafic, environnement, économie et météo sur une carte intelligente ou un tableau de bord afin que les décideurs puissent planifier la suite (Qu’est-ce que l’intelligence géographique ?). Google Maps Platform adopte un cadre proche : associer cartographie et données géospatiales aux données clients internes pour améliorer l’expérience client et les processus métier (Intelligence géographique : la nouvelle frontière du succès piloté par les données). La définition publiée par Mapbox en mai 2026 relie de façon similaire données géospatiales, données métier, déplacements et contexte pour permettre aux équipes de décider en matière d’opérations, de stratégie et d’expérience client (Qu’est-ce que l’intelligence géographique ?). Ces pages font autorité sur la manière dont chaque fournisseur emploie l’expression. Aucune ne définit toutefois un contrat produit orienté client.

Pour une équipe produit, la distinction utile porte sur la tâche, pas sur l’étiquette de marque. L’intelligence géographique orientée analyse répond à des questions comme où ouvrir un magasin, comment se comporte un territoire ou où se concentre la demande. L’expérience client avec intelligence géographique répond à une autre question pendant la session : quel lieu convient à ce client, avec ces contraintes, maintenant ? La sélection de sites, la conception des territoires et les tableaux de bord opérationnels restent importants. Mais la couche client doit toujours récupérer l’inventaire éligible, calculer une relation spatiale, classer les options restantes et transmettre le lieu choisi à un workflow de l’application hôte.

Une carte qui se contente d’afficher des marqueurs ne remplit donc pas toute la mission. Le client doit encore déduire le temps de trajet, les horaires, l’inventaire et les politiques à partir de cartes d’information qui peuvent contredire la carte. Une surface de décision conserve ces faits dans un état partagé unique et se termine par une action que l’entreprise peut accomplir. Le guide sur l’API d’intelligence géographique décrit la forme programmable de cette coordination.

Comment Découvrir, Comparer et Agir structurent-ils le produit ?

Un modèle pratique orienté client comporte trois étapes partageant un même état de recherche. Découvrir identifie les lieux candidats à partir de l’origine, de la géographie, de la catégorie, des horaires, de l’inventaire et des politiques. Comparer rend les compromis visibles : temps de trajet, statut d’ouverture, équipements, accessibilité, adéquation de l’itinéraire et priorité définie par l’entreprise. Agir correspond au résultat que le produit cherche à faciliter — itinéraire, réservation, réservation anticipée, demande de renseignements, achat, retrait, sauvegarde, partage ou contact. Concevoir à rebours depuis l’action évite de produire une carte qui paraît complète mais laisse le client sans étape suivante.

Découvrir est l’étape où les champs de recherche classiques et les filtres de catégorie gardent toute leur utilité. Une demande comme des hôtels près d’un lieu d’événement, des magasins proposant un service nommé ou des annonces dans une limite de temps de trajet peut souvent s’exprimer par des contrôles structurés. L’interprétation en langage naturel aide lorsque le client combine plusieurs contraintes : une origine, une plage horaire, un service et une préférence qui deviendraient autrement quatre filtres distincts. Le modèle de langage doit restituer ces contraintes sous forme d’état inspectable, et non les enfouir dans l’historique du chat.

Comparer est l’étape où la carte révèle sa valeur. Une liste simple peut trier par prix ou note tout en masquant que deux options « proches » se trouvent sur des rives opposées d’un fleuve, hors distance de marche ou du mauvais côté d’un accès à sens unique. L’interface doit conserver les mêmes identifiants de lieux sur la carte, dans la liste et dans le panneau de détail, afin qu’une sélection sur une surface mette à jour les autres. Les raisons affichées sur une fiche doivent correspondre à des faits calculés ou récupérés — temps de trajet depuis l’origine sélectionnée, service signalé par le système du magasin ou horaires que le système métier indique comme ouverts.

Agir n’est pas un clic sur un marqueur. L’application hôte possède la transaction, la réservation ou le transfert vers le système de routage ; la couche spatiale doit renvoyer un identifiant de lieu stable, suffisamment de contexte pour expliquer le choix et une action structurée déjà prise en charge par l’hôte. Le guide de l’assistant conscient de la carte présente l’état cartographique partagé et les actions validées nécessaires à ce transfert.

De quelles données et de quelle architecture une carte orientée client a-t-elle besoin ?

L’intelligence géographique orientée client dépend de plusieurs classes de données ayant des propriétaires différents. L’identité du lieu — magasin, hôtel, site ou bien immobilier — appartient à l’entreprise ou au fournisseur de lieux. La géométrie appartient à un système spatial. L’inventaire, la disponibilité, les horaires et les fenêtres de réservation appartiennent aux backends métier. L’origine et les préférences du client appartiennent à l’application hôte après consentement. La distance, le temps d’itinéraire et l’appartenance spatiale relèvent d’un service géospatial. La politique de classement appartient à l’hôte. L’historique d’interaction appartient à l’analytique. Un modèle de langage ne doit pas inventer des valeurs qui résident dans ces systèmes.

L’ordre des opérations compte autant que les données. Un chemin de production peut partir de l’application hôte, passer par l’autorisation et les règles métier, puis par la récupération des lieux et de l’inventaire, le calcul spatial, l’éligibilité, le classement, l’explication, la sortie synchronisée carte/liste et l’analytique des résultats. Générer d’abord une recommandation puis vérifier la réalité métier ensuite inverse cet ordre et produit des lieux que le client ne peut pas réellement utiliser.

La géométrie exacte reste du ressort d’un moteur spatial. OGC Simple Feature Access, également publié sous la norme ISO 19125, définit l’architecture commune de la géométrie d’entités simples et les opérations spatiales exposées par les implémentations pour les points, courbes, surfaces et collections (Simple Feature Access — Partie 1). Les bonnes pratiques W3C et OGC pour les données spatiales sur le Web insistent séparément sur l’utilisation de l’architecture Web et de pratiques claires pour les données spatiales, afin que les objets géographiques restent découvrables et réutilisables. Les systèmes de production doivent donc laisser le modèle de langage interpréter l’intention et choisir une opération, tandis qu’un moteur géospatial ou une base de données calcule la distance, l’itinéraire, l’intersection et l’appartenance.

La localisation de l’appareil est un contexte facultatif, pas un prérequis. La spécification W3C Geolocation, un Candidate Recommendation Snapshot du 26 mars 2026, donne accès à la position de l’appareil uniquement après autorisation explicite, et la spécification précise que l’API ne garantit pas la position réelle de l’appareil. Une adresse saisie, un point sélectionné sur la carte ou une origine enregistrée suffisent souvent et évitent de collecter des coordonnées précises dont le produit n’a pas besoin. Pour les catalogues privés et les données de tenants, voir Données de localisation privées pour les workflows de cartes IA.

Comment séparer l’éligibilité, le classement et l’IA ?

L’éligibilité stricte est binaire : le lieu est ouvert, le service est proposé, l’annonce est active, la chambre est réservable, le billet couvre la zone ou la zone de livraison inclut l’adresse. La préférence souple est comparative : temps de trajet plus court, meilleur ajustement au quartier, équipements plus pertinents, marque préférée, prix inférieur ou meilleur horaire. Le système doit appliquer les contraintes strictes avant de classer les préférences. Un magasin fermé avec des coordonnées pratiques n’est pas un bon premier résultat.

La localisation n’est pas synonyme de recherche du plus proche voisin. La coordonnée la plus proche peut être le mauvais choix lorsque le temps de marche, le stationnement, les transports en commun, le sens de l’itinéraire, la zone de service, l’entrée ou l’accessibilité déterminent le déplacement. Les relations utiles incluent proche de, à l’intérieur, le long d’un itinéraire, accessible dans un budget-temps, même zone de service, direction cardinale, entre deux points, le plus proche par itinéraire et à l’intérieur de la zone de carte sélectionnée. Le produit doit calculer la relation réellement nécessaire à la décision, puis l’afficher comme justification.

L’IA apporte de la valeur lorsque la demande est difficile à exprimer avec un seul filtre. « Lequel de ces hôtels est le plus facile d’accès depuis l’aéroport tout en restant proche de l’événement ? » combine origine, mode de transport et deuxième destination. « Trouve un magasin qui propose le service dont j’ai besoin et reste ouvert après huit heures » combine inventaire, horaires et origine. Le modèle de langage peut traduire cette demande en intention structurée. La disponibilité, le temps d’itinéraire et les faits sur le lieu doivent néanmoins continuer à provenir de systèmes de confiance. Conservez des contrôles déterministes lorsque la demande est déjà simple : ouvert maintenant, dans un rayon donné, prix plafond, accessibilité, nombre de chambres ou retrait. N’imposez pas le chat lorsqu’une case à cocher est plus rapide.

Les contraintes visibles bouclent la boucle. Si le client demande des magasins proches proposant le retrait et ouverts ce soir, l’interface peut afficher des puces pour l’origine, le retrait et « ouvert ce soir ». Le même état doit piloter la carte et la liste afin que le client puisse modifier une contrainte sans recommencer la conversation. Un seul modèle partagé — origine, géographie, filtres, identifiants candidats, identifiants éligibles, classement et lieu sélectionné — maintient le chat, la liste, la carte et le détail alignés. Les raisons associées à un résultat doivent citer des faits récupérés ou calculés, jamais « l’assistant préfère ce lieu ».

Comment l’hôtellerie, la réservation, le retail et l’immobilier utilisent-ils ce modèle ?

Le secteur change ; le modèle central reste le même. La page actuelle Spatial AI de Kaleidr décrit un concierge IA pour les clients qui aide les voyageurs à explorer des propriétés, des équipements et des partenaires proches sur une carte, et indique que les réponses peuvent s’appuyer sur l’inventaire, le ton de marque et les politiques d’une entreprise plutôt que sur une recherche Web générique seule (Chat cartographique IA pour la découverte client). Une demande hôtelière comme un dîner recommandé par l’hôtel à courte distance à pied doit toujours utiliser comme source la liste des partenaires approuvés par l’hôtel. Le modèle de langage interprète la demande du client ; la carte montre les options spatialement valides ; l’hôte conserve la politique.

La page d’accueil de Kaleidr positionne actuellement la plateforme autour d’expériences de réservation et de marketplace dans lesquelles la localisation, la disponibilité et l’intention du client influencent la décision (Expériences cartographiques alimentées par l’IA pour les entreprises). Le moteur de réservation reste la référence pour le prix, l’inventaire et l’état de réservation. La couche spatiale aide le client à comparer les options disponibles selon leur adéquation à l’itinéraire, le temps de trajet et le contexte géographique. Le retail suit la même séparation : Localisateur de magasins IA avec chat cartographique maintient les systèmes des magasins comme autorité pour les horaires et les services, puis utilise la conversation pour les besoins locaux multi-critères. La recherche immobilière peut ajouter temps de trajet, transports, équipements et zones dessinées par l’utilisateur aux faits d’annonces que l’inventaire autorisé possède déjà. Les cartes de destination et de tourisme utilisent une pile similaire lorsque le catalogue est éditorialisé plutôt qu’un inventaire transactionnel en direct ; Comment créer une carte touristique alimentée par l’IA décrit ce workflow.

Les produits pour sites et navigation appliquent les mêmes limites. Un visiteur cherchant une entrée accessible ou des exposants près de la prochaine session a besoin de la géométrie intérieure ou du campus, des règles de billetterie et des données de programme détenues par le système du site. La navigation commence souvent avant le routage : le client doit encore choisir une destination avant qu’un moteur de routage puisse calculer un chemin. Dans les deux cas, le service géospatial calcule la relation ; l’hôte reste la référence pour les règles d’accès et le transfert final.

Les équipes doivent raccorder cette couche à un moteur de rendu existant lorsque le produit utilise déjà Mapbox, Google Maps, MapLibre ou Leaflet. La documentation actuelle de Kaleidr pour les développeurs décrit Chat comme un composant monté sur une instance de carte active et pouvant se rattacher à ces moteurs de rendu, tandis que l’hôte conserve la carte, l’état de l’application et le workflow métier (Rattacher Chat). Utilisez une carte Studio publiée lorsque l’expérience est un guide éditorialisé plutôt qu’une boucle d’inventaire en direct. Kaleidr Studio prend actuellement en charge la création de cartes à partir d’un prompt et leur publication sous forme de page autonome ou d’intégration (Créateur de cartes IA pour cartes interactives de marque). L’état en direct des réservations, magasins ou annonces reste du ressort d’une intégration développeur.

Comment les équipes doivent-elles mesurer l’expérience client avec intelligence géographique ?

La mesure doit suivre le même chemin Découvrir → Comparer → Agir que le client. Kaleidr Analytics décrit actuellement un tableau de bord consacré à l’engagement avec les cartes et les lieux — sessions, vues, interactions, activité de l’audience et tendances spatiales — plutôt qu’une analytique Web limitée aux URL (Analytique de l’engagement cartographique et de la localisation). Un programme d’expérience client a néanmoins besoin d’événements de résultat que l’hôte sait déjà enregistrer : un lieu éligible sélectionné, un itinéraire ouvert, une réservation ou une demande démarrée, un achat ou retrait commencé, une annonce sauvegardée ou un itinéraire lancé. Les volumes de déplacement, de zoom et de messages de chat sont des signaux complémentaires. Ils ne prouvent pas que la carte a amélioré la décision.

La friction géographique est le mode d’échec que l’analytique de pages classique ne voit pas. Des taux élevés de zéro résultat dans une zone, des recherches autour d’un magasin à faible conversion, des lieux souvent comparés mais rarement choisis, des requêtes hors couverture, des demandes d’itinéraire échouant à une entrée ou un inventaire ne correspondant pas à la géographie de la demande signalent tous des problèmes de données ou d’éligibilité. KPIs des tableaux de bord d’analytique spatiale couvre les dénominateurs, les identifiants de lieux gouvernés et l’agrégation respectueuse de la vie privée.

Les données de localisation peuvent être sensibles même si aucun champ isolé ne semble sensible. Une position actuelle précise, une adresse de domicile, un projet de voyage ou des origines de recherche répétées peuvent révéler identité et comportement. Ne collectez la position de l’appareil que lorsque le produit ne peut pas utiliser une origine saisie ou sélectionnée ; évitez de stocker par défaut les coordonnées exactes de recherche ; agrégez la géographie analytique lorsque c’est possible ; et séparez le contexte public de la carte des données privées du compte. La spécification W3C Geolocation exige une autorisation explicite avant qu’une application Web reçoive la position d’un appareil et précise que le droit de la vie privée applicable dans une juridiction peut imposer d’autres obligations. Considérez cela comme une description de la règle de plateforme, pas comme un conseil juridique pour un déploiement particulier.

Une page orientée client ne doit jamais contenir un identifiant serveur privilégié. Le modèle développeur actuel de Kaleidr utilise des clés navigateur publiables et des clés serveur pour les backends de confiance, avec des scopes de capacité (Authentification et scopes). Authentification des API cartographiques couvre les restrictions d’origine et la séparation des clés.

Où Kaleidr s’insère-t-il dans une pile orientée client ?

Kaleidr décrit actuellement quatre couches liées sur sa page d’accueil : IA spatiale conversationnelle, création de cartes interactives de marque dans Studio, analytique au niveau des lieux et infrastructure développeur pour l’entreprise. La surface Spatial AI est conçue pour la découverte de lieux en langage naturel et les recommandations conscientes de la carte sur une carte interactive. Studio est conçu pour créer et publier des cartes de marque à partir de prompts. Analytics est conçu pour montrer comment les audiences découvrent les cartes et les lieux et interagissent avec eux. Enterprise regroupe des API d’intelligence géographique, le classement et l’infrastructure spatiale pour les piles produit disposant déjà d’un moteur de rendu et de systèmes métier.

L’ensemble obtenu est plus proche de l’IA spatiale + intelligence géographique + cartographie IA que d’un tableau de bord SIG de back-office. Spatial AI ne remplace pas Mapbox, Google Maps, MapLibre, une base SIG, le géocodage, le routage ou les systèmes de réservation et d’inventaire déjà exploités par l’hôte. L’hôte reste la référence pour les données, les autorisations, les règles métier, le rendu cartographique et les calculs géographiques exacts. La couche d’IA spatiale rend ces systèmes plus faciles à interroger et à utiliser ; elle n’est pas la source de vérité pour la géométrie ou l’inventaire.

Utilisez Studio ou un parcours basé sur un modèle lorsque le workflow est standardisé et qu’une carte éditorialisée suffit. Rattachez Chat à une carte existante lorsque l’état en direct de l’application et les filtres existants doivent rester autoritatifs ; Comment ajouter un chat IA à une carte couvre le montage sur les moteurs de rendu. Utilisez Enterprise ou une intégration API lorsque des données privées ou sous licence, un usage au niveau de l’organisation ou un classement par rapport aux systèmes internes sont nécessaires.

Quelles erreurs les équipes d’expérience client doivent-elles éviter ?

Traiter l’intelligence géographique comme une capacité limitée au tableau de bord laisse le client avec un localisateur générique. Classer d’abord la coordonnée la plus proche peut promouvoir un lieu non éligible. Laisser un modèle de langage inventer la disponibilité rend les recommandations peu fiables. Cacher les contraintes dans l’historique du chat empêche leur correction. Alimenter la carte et la liste avec des requêtes différentes fracture l’expérience. Mesurer uniquement les déplacements de carte, clics de marqueurs ou messages de chat confond activité et valeur. Collecter par défaut une localisation précise augmente le risque pour la vie privée sans améliorer la décision. Remplacer des filtres simples par la conversation ralentit des tâches qu’une seule case à cocher résout déjà. Remplacer une pile cartographique fonctionnelle alors qu’un raccordement suffit augmente le coût de migration sans changer la tâche du client.

Verdict final

L’expérience client avec intelligence géographique est la plus utile lorsque le produit cesse de seulement montrer où se trouve un lieu et commence à répondre à la question : quel lieu convient à ce client, dans ce contexte, maintenant ? Esri, Google Maps Platform et Mapbox continuent de définir l’intelligence géographique autour des données géospatiales enrichies par le contexte métier pour prendre de meilleures décisions. La tâche orientée client ajoute un contrat produit à ces définitions : découvrir les lieux éligibles, les comparer avec des faits spatiaux et métier vérifiables et accomplir une action pilotée par l’hôte.

Le modèle compact est Découvrir → Comparer → Agir, soutenu par des données métier de confiance, le calcul spatial, l’éligibilité, le classement, l’explication, l’action cartographique et l’analytique des résultats. Un modèle de langage interprète l’intention. Les systèmes de confiance fournissent les faits. Les moteurs géospatiaux calculent les relations. L’application applique le résultat. Kaleidr organise actuellement cette boucle entre Spatial AI, Studio, Analytics et Enterprise, tout en laissant le moteur de rendu existant et les systèmes métier faire autorité.

Ajoutez l’intelligence géographique à votre produit

Découvrez comment le classement sensible à la localisation, les recommandations conscientes de la carte et les API spatiales d’entreprise s’intègrent à une pile produit existante. Découvrir Kaleidr Enterprise pour les API actuelles, les surfaces SDK et l’accompagnement au déploiement.

FAQ

Qu’est-ce que l’expérience client avec intelligence géographique ?

L’expérience client avec intelligence géographique utilise le contexte géographique, les données de lieux, les données métier et l’intention du client pour aider une personne à choisir un emplacement et à effectuer une action suivante, par exemple obtenir un itinéraire, réserver, demander des renseignements ou retirer une commande.

En quoi l’intelligence géographique orientée client diffère-t-elle de l’intelligence géographique traditionnelle ?

L’intelligence géographique traditionnelle soutient souvent l’analyse interne, par exemple la sélection de sites, la planification territoriale ou les opérations. L’intelligence géographique orientée client place le contexte spatial pertinent dans la recherche, la réservation, le shopping, l’immobilier, l’hôtellerie, les sites ou la navigation afin que le client puisse décider pendant la session.

L’intelligence géographique nécessite-t-elle de l’IA ?

Non. De nombreuses tâches utilisent des requêtes spatiales déterministes, des filtres et du classement. L’IA devient utile lorsque la demande combine plusieurs contraintes, préférences ou questions de suivi difficiles à représenter avec des contrôles fixes.

Quelles données une carte IA doit-elle utiliser ?

Utilisez des enregistrements de lieux et métier faisant autorité pour les coordonnées, l’inventaire, les horaires, la disponibilité, le statut et l’éligibilité. Un modèle de langage doit interpréter l’intention et expliquer les résultats plutôt qu’inventer des faits opérationnels.

Pourquoi le temps de trajet est-il souvent préférable à la distance à vol d’oiseau ?

La distance à vol d’oiseau ignore les rues, les obstacles, les transports en commun et le sens d’approche. Le temps de trajet représente généralement mieux la commodité réelle pour le client, à condition qu’un service de routage ou de temps de trajet le calcule.

L’IA doit-elle remplacer les filtres de carte ?

En général, non. Les filtres restent utiles pour des contraintes explicites et répétables. La conversation est surtout utile pour des demandes à plusieurs variables qui deviendraient autrement un long formulaire de filtres.

Comment les lieux doivent-ils être classés ?

Appliquez d’abord l’éligibilité stricte, puis classez les lieux restants selon le temps de trajet, la disponibilité, les préférences et les règles définies par l’entreprise. Affichez des raisons correspondant à des faits récupérés ou calculés.

Quels secteurs bénéficient de l’intelligence géographique orientée client ?

Hôtellerie, réservation, immobilier, retail, marketplaces, événements et sites, tourisme, mobilité et navigation dépendent tous du choix d’un lieu physique avant que le client puisse terminer sa tâche.

Comment les équipes doivent-elles mesurer ces expériences ?

Mesurez les résultats utiles, par exemple un lieu éligible sélectionné, un itinéraire ouvert, une réservation démarrée, une demande envoyée, un achat initié, un bien sauvegardé ou un itinéraire lancé — pas seulement les vues de carte ou les messages de chat.

Kaleidr peut-il fonctionner avec une carte existante ?

Oui. La documentation actuelle de Kaleidr pour les développeurs prend en charge le rattachement d’une IA conversationnelle à des implémentations existantes de Mapbox, Google Maps, MapLibre ou Leaflet, tandis que l’hôte conserve le moteur de rendu et les systèmes métier.

Références

• Esri. What is Location Intelligence? Consulté le 22 août 2026. https://www.esri.com/en-us/location-intelligence/overview
• Google Maps Platform. Location intelligence: the new frontier for data-driven success. Consulté le 22 août 2026. https://mapsplatform.google.com/resources/blog/location-intelligence-new-frontier-data-driven-success/
• Kaleidr. AI Map Chat for Customer Discovery. Consulté le 22 août 2026. https://kaleidr.com/ai
• Kaleidr. AI Map Maker for Branded Interactive Maps. Consulté le 22 août 2026. https://kaleidr.com/studio
• Kaleidr. AI-Powered Map Experiences for Business. Consulté le 22 août 2026. https://kaleidr.com/
• Kaleidr. Auth & Scopes. Kaleidr Developer Docs. Consulté le 22 août 2026. https://docs.kaleidr.com/platform-api/auth-and-scopes
• Kaleidr. Chat attach. Kaleidr Developer Docs. Consulté le 22 août 2026. https://docs.kaleidr.com/sdk/chat-attach
• Kaleidr. Location Intelligence APIs and Map SDK. Consulté le 22 août 2026. https://kaleidr.com/enterprise
• Kaleidr. Map Engagement and Location Analytics. Consulté le 22 août 2026. https://kaleidr.com/analytics
• Mapbox. What is location intelligence? 15 mai 2026. https://www.mapbox.com/blog/what-is-location-intelligence
• Open Geospatial Consortium. Simple Feature Access — Part 1: Common Architecture. OGC 06-103r4 / ISO 19125. Consulté le 22 août 2026. https://www.ogc.org/standards/sfa/
• W3C. Geolocation. W3C Candidate Recommendation Snapshot, 26 mars 2026. Consulté le 22 août 2026. https://www.w3.org/TR/geolocation/
• W3C and OGC. Spatial Data on the Web Best Practices. Consulté le 22 août 2026. https://www.w3.org/TR/sdw-bp/

@misc{esri_location_intelligence_2026,
  title  = {What is Location Intelligence?},
  author = {{Esri}},
  note   = {Accessed 22 August 2026},
  url    = {https://www.esri.com/en-us/location-intelligence/overview}
}

@misc{google_maps_location_intelligence_2026,
  title  = {Location intelligence: the new frontier for data-driven success},
  author = {{Google Maps Platform}},
  note   = {Accessed 22 August 2026},
  url    = {https://mapsplatform.google.com/resources/blog/location-intelligence-new-frontier-data-driven-success/}
}

@misc{mapbox_what_is_location_intelligence_2026,
  title  = {What is location intelligence?},
  author = {Conti, Lorenzo and Schuette, Jazmyn},
  year   = {2026},
  month  = {5},
  note   = {Mapbox; 15 May 2026},
  url    = {https://www.mapbox.com/blog/what-is-location-intelligence}
}

@misc{ogc_sfa_part1_2026_08_22,
  title  = {Simple Feature Access -- Part 1: Common Architecture},
  author = {{Open Geospatial Consortium}},
  note   = {OGC 06-103r4 / ISO 19125; accessed 22 August 2026},
  url    = {https://www.ogc.org/standards/sfa/}
}

@misc{w3c_geolocation_2026,
  title  = {Geolocation},
  author = {{W3C}},
  note   = {W3C Candidate Recommendation Snapshot, 26 March 2026; accessed 22 August 2026},
  url    = {https://www.w3.org/TR/geolocation/}
}

@misc{w3c_ogc_sdw_bp_2026,
  title  = {Spatial Data on the Web Best Practices},
  author = {{W3C and OGC}},
  note   = {Accessed 22 August 2026},
  url    = {https://www.w3.org/TR/sdw-bp/}
}

@misc{kaleidr_ai_2026_08_22,
  title  = {AI Map Chat for Customer Discovery},
  author = {{Kaleidr}},
  note   = {Accessed 22 August 2026},
  url    = {https://kaleidr.com/ai}
}

@misc{kaleidr_home_2026_08_22,
  title  = {AI-Powered Map Experiences for Business},
  author = {{Kaleidr}},
  note   = {Accessed 22 August 2026},
  url    = {https://kaleidr.com/}
}

@misc{kaleidr_studio_2026_08_22,
  title  = {AI Map Maker for Branded Interactive Maps},
  author = {{Kaleidr}},
  note   = {Accessed 22 August 2026},
  url    = {https://kaleidr.com/studio}
}

@misc{kaleidr_analytics_2026_08_22,
  title  = {Map Engagement and Location Analytics},
  author = {{Kaleidr}},
  note   = {Accessed 22 August 2026},
  url    = {https://kaleidr.com/analytics}
}

@misc{kaleidr_enterprise_2026_08_22,
  title  = {Location Intelligence APIs and Map SDK},
  author = {{Kaleidr}},
  note   = {Accessed 22 August 2026},
  url    = {https://kaleidr.com/enterprise}
}

@misc{kaleidr_chat_attach_2026_08_22,
  title  = {Chat attach},
  author = {{Kaleidr}},
  note   = {Kaleidr Developer Docs; accessed 22 August 2026},
  url    = {https://docs.kaleidr.com/sdk/chat-attach}
}

@misc{kaleidr_auth_scopes_2026_08_22,
  title  = {Auth \& Scopes},
  author = {{Kaleidr}},
  note   = {Kaleidr Developer Docs; accessed 22 August 2026},
  url    = {https://docs.kaleidr.com/platform-api/auth-and-scopes}
}