Vous avez la donnée. Ce qui manque, c'est d'en tirer une décision.

Ce que j'entends chez mes clients

Trois phrases que j'ai entendues cette année

Dans les trois cas, le problème n'est pas de produire un chiffre. C'est de pouvoir s'y fier.

Offres

Quatre façons de travailler ensemble

Vous achetez un livrable et un périmètre écrit, pas des jours d'homme. Chaque offre indique ce qu'elle comprend, ce qu'elle ne comprend pas, et ce dont j'ai besoin de votre côté. C'est cette dernière partie qui évite les mauvaises surprises.

Devis valable 30 jours. Périmètre écrit et figé ; tout ajout fait l'objet d'un avenant. Paiement à 30 jours fin de mois. Pénalités de retard au taux légal triplé, plus 40 € d'indemnité forfaitaire. TVA non applicable, article 293 B du CGI.

Le différenciateur

Chaque donnée remonte à sa source

C'est le volet IA de mon activité, et celui sur lequel je me distingue. N'importe qui branche un LLM sur un PDF ; presque personne ne livre de la donnée auditable. Un modèle répond toujours, même quand il invente. Un chiffre inventé dans une étude de marché n'est repéré par personne avant d'atterrir en comité de direction.

…la part de marché de la catégorie atteint 18,4 % au deuxième trimestre, en progression de +2,1 points sur un an, portée par le segment premium…

p. 14, §3

{

  "part_marche": 18.4, 0.97

  "evolution_pts": 2.1, 0.95

  "periode": "2026-Q2", 0.99

  "segment": "premium", 0.71

  "source": "p.14 §3",

}

→ 1 champ envoyé en file de revue humaine

Le principe déborde largement l'IA : un indicateur de pilotage qu'on ne peut pas remonter à sa requête et à sa table pose exactement le même problème, et c'est ce que je vais chercher en premier sur une mission de data analyse.

Méthode

Comment je travaille

Un projet data échoue rarement sur la technique. Il échoue sur la donnée d'entrée, sur l'impossibilité de vérifier ce qui sort, ou sur une restitution que personne n'utilise. C'est vrai d'un modèle de langage comme d'un tableau de bord, et je traite ces trois points dans cet ordre.

1. 01

   Rien ne sort sans sa source.

   Tout chiffre doit pouvoir être remonté à ce dont il est issu : le passage exact du document pour une donnée extraite, la requête et la table pour un indicateur de pilotage. Sans cette règle, aucune direction régulée ne mettra le système en production, et elle aura raison.

2. 02

   La confiance se mesure au détail, pas en moyenne.

   Un document extrait à 95 % peut porter la valeur fausse au seul endroit qui compte, et un tableau de bord juste à 99 % se fait démolir en comité sur le 1 % restant. Le score s’attache au champ, à l’indicateur, et le seuil vous appartient.

3. 03

   L’humain garde la main sur le doute.

   Le système ne cherche pas à tout trancher. Il isole ce dont il n’est pas sûr, une extraction douteuse ou un écart d’indicateur inexpliqué, et le remonte à quelqu’un. C’est ce qui rend tout le reste utilisable sans relecture.

L'audit « Données dormantes », jour par jour

Les trois principes ci-dessus ne dépendent pas du format. Ce qui suit décrit l'audit, l'engagement le plus cadré et le seul qui suive un protocole écrit ; en régie, ils s'appliquent tels quels à vos chantiers en cours. Dans les deux cas, vous savez ce que vous achetez avant de le payer.

1. J1

   Cartographie

   Ateliers avec vos équipes : quelles sources documentaires existent, lesquelles sont exploitées, et quels cas d’usage portent réellement de la valeur.

2. J2–3

   Prototype

   Extraction sur 10 à 30 documents réels de votre périmètre. Pas une démonstration générique : vos documents.

3. J4

   Mesure

   Taux d’extraction, précision, temps humain économisé. Des chiffres, pas une impression.

4. J5

   Restitution

   Démonstration en direct, rapport écrit, et roadmap chiffrée en trois scénarios : minimal, recommandé, ambitieux.

À la fin de la semaine, vous savez ce qui est faisable, ce que ça rapporte et ce que ça coûte. Y compris si la réponse est « rien ».

Réalisations

Du code qui tourne, pas des slides

Trois systèmes publics, démontrables en trois minutes, code source ouvert. Vous pouvez tout ouvrir avant de me parler.

Ce sont des projets d'IA appliquée, les seuls que je puisse montrer. Ce que je livre en mission appartient à mes clients, qu'il s'agisse de modèles de scoring, de tableaux de bord ou de migrations de patrimoine de données. Le parcours plus bas dit ce que ça recouvre.

À propos

Un parcours en trois temps

1. Temps 1

   IRI Worldwide · 2 ans · Chargé d’études statistiques

   Le leader mondial des panels de grande consommation. Études prix, assortiment, promotion et full mix, modélisation GLM, automatisation des chaînes de production d’études. Le métier de la donnée de marché appris de l’intérieur : agréger des sources hétérogènes, les fiabiliser, et en sortir des recommandations utilisables.

2. Temps 2

   Allianz · 4 ans · Data Scientist

   Quatre missions successives. La migration d’un patrimoine de données critique de SAS vers Azure et PySpark. De la modélisation NLP en production dès 2020, sur des avis Google et des messages Twitter. L’architecture d’un système de détection d’alertes sinistres monté de zéro, avec API, A/B testing, Kafka et Celonis. C’est là que j’ai appris à livrer sur des données sales, incomplètes et multi-sources.

3. Temps 3

   Retail et luxe · Galeries Lafayette, Christian Dior Couture

   Études clients sur BigQuery et Python, segmentation, parcours omnicanal, valeur client, pipelines Dataiku, et des tableaux de bord utilisés au quotidien par les équipes marketing, CRM et retail. Le moment où j’ai compris que la restitution n’est pas la dernière étape d’un projet data : c’est celle qui décide s’il sert à quelque chose.

Master 2 Ingénierie Statistique et Financière, Université Panthéon-Assas, Paris II · Dataiku Core Designer · Dataiku ML Practitioner · Datascientest Data Science Advanced

Questions fréquentes

Ce qu'on me demande avant de signer