InsightDesk
Un tableau de bord commercial avec calculs Python/Pandas et analyste IA basé sur les résumés calculés.
Conçu comme une démonstration fonctionnelle pouvant servir de base à une solution métier personnalisée.
Consulter les preuves
Consultez le code, le modèle de données et les tests dans le dépôt.
Ce que j’ai construit
- Moteur d'agrégation des ventes déterministe calculant CA, commandes, panier moyen et remises
- Analyse des tendances mensuelles avec calcul du taux de croissance MoM
- Classement des produits phares avec part de chiffre d'affaires et volume d'unités
- Répartition géographique des ventes sur 4 régions (Amérique du Nord, EMEA, APAC, LATAM)
- Générateur automatisé de constats métiers produisant 3 à 5 observations clés
- Profilage de qualité et complétude détectant les valeurs manquantes et types inférés
- Analyste IA en langage naturel propulsé par Gemini avec injection de contexte vérifié
- Isolation stricte des sessions avec cache LRU borné évitant toute contamination de données
Hallucinations Numériques & Failles de Qualité dans les Outils IA
Interroger des modèles de langage directement sur des données tabulaires brutes produit fréquemment des totaux erronés, des classements incohérents et des risques d'exposition de clés. De plus, les fichiers CSV réels comportent des symboles monétaires, des virgules, des valeurs négatives ou des colonnes manquantes qui bloquent les pipelines naïfs.
Architecture en Deux Temps : « Python Calcule ; L'IA Explique »
InsightDesk applique un pipeline strict en deux étapes. Le backend Python/Pandas nettoie les entrées, préserve les montants négatifs de remboursement, calcule les métriques exactes (chiffre d'affaires, panier moyen, tendances mensuelles, répartition régionale) et évalue la complétude des données. L'IA ne reçoit que des paquets analytiques structurés, dont les réponses sont vérifiées côté serveur.
03 / EXPÉRIENCE PRODUIT
Fonctionnalités & Parcours Utilisateur
Moteur d'Analyse Déterministe Pandas
Calcule les indicateurs clés (chiffre d'affaires global, nombre de commandes uniques, panier moyen, unités vendues, remise moyenne), la progression mensuelle avec taux de croissance MoM, le classement des produits et la répartition régionale.
Garantit une cohérence mathématique absolue à 100 % sans recourir à des approximations probabilistes.
Tableau de bord des ventes affichant les indicateurs clés, la progression mensuelle et la télémétrie transactionnelle
Profilage de Qualité des Données & Schéma
Évalue les jeux de données importés selon un schéma canonique, calcule le score de complétude, détecte les doublons, analyse les valeurs nulles par colonne et infère les types de données. Nettoie les symboles monétaires tout en préservant les remboursements négatifs.
Met en lumière les anomalies de données de façon transparente avant toute prise de décision.
Profilage de la qualité des données avec validation du schéma, score de complétude et analyse des types de colonnes
Analyste IA en Langage Naturel Cadré
Intègre Google Gemini pour interpréter les résultats analytiques en langage naturel. Reçoit des contextes de KPI structurés plutôt que des données brutes, valide les chiffres cités, masque les clés d'API en cas d'erreur et signale proprement l'absence de clé.
Fournit des synthèses exécutives rédigées sans risque de chiffres inventés.
Analyste IA cadré propulsé par Gemini répondant aux questions en langage naturel avec des constats chiffrés vérifiés
Isolation des Sessions & Cache Mémoire Borné
Génère des identifiants de session uniques par jeu de données chargé. Applique un cache mémoire LRU borné à 50 sessions pour éviter toute surcharge mémoire, avec renvoi d'une erreur HTTP 404 pour les identifiants expirés.
Empêche toute fuite de données entre sessions lors de requêtes successives.
Palmarès des produits et répartition régionale des ventes isolés par contexte de session du jeu de données
04 / ARCHITECTURE TECHNIQUE
Fondations Techniques & Architecture
Séparation Analytique en Deux Temps
Conçu selon le principe que les calculs numériques relèvent de la logique vectorisée Python/Pandas, tandis que les LLM sont réservés à la synthèse linguistique et à l'explication.
Nettoyage des Données & Préservation de l'Intégrité
Implémentation d'un nettoyage robuste éliminant les symboles monétaires et virgules sans tronquer silencieusement les montants négatifs légitimes comme les retours.
Garde-Fous de Vérification Factuelle Côté Serveur
Mise en place d'une logique comparant les métriques citées par l'IA aux calculs du backend, rejetant les affirmations non étayées et masquant les identifiants sensibles.
Vérification Automatisée Complète par Tests
Développement de 28 tests pytest validant la justesse mathématique, les contrats d'API, la robustesse aux uploads et l'isolation des contextes de session.
05 / DÉCISIONS TECHNIQUES
Choix techniques et compromis
Pandas Vectorisé plutôt que Calcul LLM Brut
Effectuer l'intégralité des calculs dans Pandas avant compilation du contexte IA.
Les LLM sont des prédicteurs probabilistes incapables de garantir une précision mathématique reproductible. Pandas garantit un calcul déterministe.
Cache LRU en Mémoire plutôt que Base de Données Persistante
Conserver les sessions actives dans un cache LRU en mémoire borné à 50 entrées.
Maintient l'outil léger et sans infrastructure externe lourde (ni Docker, ni PostgreSQL, ni Redis), tout en évitant la saturation mémoire.
06 / ENSEIGNEMENTS & RETOUR D'EXPÉRIENCE
Ce que ce projet a démontré
Découpler le Calcul de la Génération Narrative
La conception d'InsightDesk a démontré que les applications d'IA fiables exigent des garde-fous mathématiques stricts. En traitant le modèle comme une interface explicative et non comme un calculateur, les systèmes conservent à la fois rigueur et clarté.
Déploiement direct accessible en temps réel sur Vercel
Consultez l’implémentation et son historique.
Consultez les mises en page dans les captures et la démo.
Découvrez l’architecture et les choix de cette étude de cas.
DATA ANALYTICS & IA CADRÉE
Intéressé par l'analyse déterministe ou les systèmes d'IA cadrée ?
Je serais ravi d'échanger sur les moteurs d'analyse Python et Pandas, la vérification de faits par LLM, la qualité des données ou les opportunités d'ingénierie.