Ici, on parle vraiment de data et d'IA.
Pas de buzzwords : des retours d'expérience concrets sur la BI, le machine learning et l'IA, tirés de mon travail de Data Analyst chez La Poste.
Un dashboard n'est pas une décision
Mon premier vrai dashboard était magnifique. Le souci : presque personne ne l'ouvrait. Retour honnête sur une leçon que l'école ne m'avait pas apprise.
Tous les articles
Comment j'ai appris Dataiku DSS en deux semaines
Deux semaines pour passer de zéro à opérationnel sur Dataiku DSS, juste avant ma prise de poste à La Poste. Ce qu'est vraiment l'outil, comment je l'ai appris, et ce que j'en fais aujourd'hui.
Mon avis sur l'IA, côté praticien
Comment j'utilise vraiment l'IA dans mon travail de data : là où elle m'aide, ce qui reste survendu, et ce que je ne lui délègue jamais.
Quelles compétences pour devenir Data Analyst en 2026
Au-delà de SQL et Power BI : les compétences techniques et métier qui font réellement la différence pour un Data Analyst en 2026, et celles qui sont surestimées.
Pourquoi vos tableaux de bord Power BI ne sont jamais ouverts
Le problème est rarement technique. Trois causes récurrentes observées sur une dizaine de dashboards livrés, et ce qui a marché pour y remédier.
Ce que 23 000 profils m'ont appris sur l'adoption du Mobile Money
Un modèle qui atteint 0,91 d'AUC n'est pas forcément un modèle utile. Comment j'ai construit, cassé, puis reconstruit une prédiction d'adoption du Mobile Money en Afrique de l'Ouest.
Dataiku ou Python pur : choisir selon la durée de vie du pipeline
Une grille de décision fondée sur qui maintiendra le flux dans deux ans, plutôt que sur les préférences de l'équipe qui le construit.
Un agent LLM en production : ce que personne ne dit sur la latence
Entre la démo à 2 secondes et l'appel réel à 11 secondes, il y a une architecture. Retour sur la mise en production d'un agent de transcription.
Modéliser des flux logistiques : le schéma en étoile n'est pas toujours la réponse
Sur des données de traçabilité colis, la granularité événementielle casse le modèle dimensionnel classique. Comment j'ai contourné le problème.
Kafka pour les analystes : trois concepts suffisent
Topic, partition, offset. Le reste peut attendre. Une introduction pensée pour ceux qui consomment un flux sans avoir à l'administrer.
Ce que le RAG ne fait pas (et qu'on croit qu'il fait)
Confondre récupération et vérité produit des réponses confiantes et fausses. Ce qu'il faut mesurer avant de brancher un LLM sur ses documents.
Mesurer l'impact d'un modèle : au-delà de l'AUC
Traduire une métrique statistique en euros, en heures gagnées ou en risque évité. Un exercice inconfortable mais nécessaire.
Dernières notes
Toutes les notes →Les modèles open-weight deviennent assez bons pour beaucoup de tâches data internes. Ça rouvre le débat make-vs-buy, surtout quand les données ne doivent pas quitter la maison.
Copilot dans Power BI aide à écrire du DAX et à résumer un rapport. Utile pour dégrossir, mais je relis systématiquement : il se trompe avec assurance, et un chiffre faux en réunion coûte cher.
DuckDB continue de grignoter des cas où on sortait Spark par réflexe. Sur quelques Go qui tiennent en mémoire, c'est souvent plus simple, plus rapide, et moins cher à maintenir.