4–8 semaines
Socle analytique
Vos sources principales réunies dans un seul entrepôt, avec de premiers tableaux de bord.
Data engineering : pipelines ETL, entrepôts de données, analytics temps réel et plateformes data, par une équipe senior au Kosovo. Devis sous 24 h.

Nous construisons le socle de données dont dépendent votre reporting et votre IA : pipelines ETL/ELT fiables, entrepôts de données cloud, flux temps réel et modèles de données propres, pour que vos équipes aient confiance dans les chiffres et que vos analystes cessent de corriger des tableurs.
4–8 semaines
Vos sources principales réunies dans un seul entrepôt, avec de premiers tableaux de bord.
3–5 mois
Streaming d’événements et analytique à faible latence.
3–6 semaines
Correction des pipelines fragiles ou défaillants, avec ajout de tests et de monitoring.
Nous partons des chiffres qui font débat en réunion, pas d’un choix d’outils. Chaque étape laisse dans votre compte cloud quelque chose qui tourne et que vous pouvez interroger vous-même.
01
Nous listons les rapports et décisions qui comptent, les indicateurs qui les sous-tendent et chaque système qui les alimente : base de données produit, CRM, facturation, plateformes publicitaires, tableurs. Chaque indicateur reçoit une définition écrite unique et un responsable. Vous recevez une carte des sources et un glossaire des indicateurs, et choisissez le domaine métier à traiter en premier.
02
Des connecteurs ou des chargeurs Python récupèrent les données de façon incrémentale, par capture des changements ou par curseur de date de mise à jour plutôt que par rechargement complet, dans des tables brutes jamais modifiées à la main. Les identifiants sont conservés dans votre gestionnaire de secrets. À la fin de l’étape, les premières sources arrivent selon le calendrier prévu, avec nombre de lignes et heure d’arrivée journalisés à chaque chargement.
03
Les tables brutes sont nettoyées en modèles de staging, puis organisées en faits et dimensions conformes au glossaire. Les tests couvrent unicité, valeurs nulles, valeurs autorisées et règles métier, comme le rapprochement du chiffre d’affaires avec la facturation. Vos analystes passent les modèles en revue avec nous et valident les définitions avant qu’un tableau de bord n’en dépende.
04
Les premiers tableaux de bord sont reconstruits dans votre outil de BI sur les tables modélisées, à côté de jeux de données documentés que les analystes peuvent interroger sans solliciter un ingénieur. Les anciens rapports sur tableur sont comparés aux nouveaux chiffre par chiffre jusqu’à ce que chaque écart soit expliqué. Dans le socle analytique de 4 à 8 semaines, c’est là que la confiance se gagne.
05
Un chargement en échec ou en retard envoie une alerte dans un canal nommé, et chaque pipeline dispose d’un runbook. L’infrastructure est décrite en Terraform, les dépenses de l’entrepôt sont étiquetées par charge de travail, et votre équipe apprend à ajouter une source ou un modèle sans casser les rapports qui en dépendent.
Nous facturons le travail data 45 à 65 € de l’heure par ingénieur, ou menons la construction d’une plateforme avec une équipe dédiée à partir de 15 000 € par mois. Quand des pipelines existants tombent régulièrement en panne, notre audit logiciel au forfait peut venir en premier. L’ampleur de l’effort dépend des facteurs ci-dessous.
Les plateformes data tombent souvent en panne en silence : un chiffre dérive, un chargement s’arrête, et personne ne s’en aperçoit pendant une semaine. Posez ces questions à toute entreprise de data engineering que vous envisagez, nous compris.
Les questions que poseront vos équipes juridique, sécurité et finance, traitées avant la première ligne de code.
Nous travaillons avec BigQuery, Snowflake, Redshift et PostgreSQL. Nous en recommandons un en fonction de votre cloud, de votre volume de données et des compétences de votre équipe, plutôt que par défaut.
Oui. Nous nous connectons à des outils comme Looker, Power BI, Metabase ou Tableau, et modélisons les données pour des tableaux de bord rapides et cohérents.
Chaque pipeline bénéficie de tests automatisés sur la fraîcheur, le volume et les règles métier, avec des alertes avant que des données erronées n’atteignent un tableau de bord.
Pour quelques rapports sur un petit produit, un réplica en lecture de votre base PostgreSQL peut suffire. Dès que vous combinez plusieurs sources, avez besoin d’un historique que l’application ne conserve pas, ou que les requêtes des analystes ralentissent le produit, un entrepôt séparé se rentabilise. Nous recommandons la configuration la plus légère qui répond aux questions d’aujourd’hui et peut grandir.
Monitoring, corrections quand une source change, nouvelles sources et nouveaux modèles à mesure que de nouvelles questions apparaissent, et optimisation des coûts de l’entrepôt. Ce travail se poursuit à 45 à 65 € de l’heure par ingénieur, souvent à temps partiel, ou au sein d’une équipe dédiée quand la data est un volet d’un produit plus large. Autrement, nous documentons tout et transmettons l’ensemble à votre équipe.
Oui. Les modèles ont besoin de la même chose que les rapports, avec des règles plus strictes : un historique cohérent, des variables exactes à la date de chaque événement et une traçabilité claire. Nous construisons des tables de variables et des extraits documentés depuis l’entrepôt, pour que données d’entraînement et entrées de production viennent de la même source et que le travail d’IA démarre sur des données en lesquelles vos équipes ont déjà confiance.
Dites-nous ce que vous souhaitez construire ou faire évoluer. Vous recevrez une proposition et une estimation sous 24 heures.