Pilotage par la data
Vous avez besoin d’un pipeline de données, d’une API, d’un script qui tourne chaque nuit ou d’une brique d’IA intégrée à vos outils ? Je développe en Python du code typé, testé et documenté, pensé pour être repris par votre équipe, et je reprends aussi les projets existants.
Le constat
Un script écrit en urgence, un notebook devenu indispensable, une API que personne n’ose modifier : Python est simple à écrire, beaucoup moins à maintenir quand le code n’a ni tests ni documentation.
Il faut le relancer à la main, et une seule personne sait comment.
Sans tests, chaque modification risque de casser autre chose.
Le sujet data ou IA attend, faute de bras disponibles.
Ce que je développe
Collecter, nettoyer et charger vos données de façon fiable.
Outils : Python, pandas, Polars, dbt, BigQuery, PostgreSQL
Exposer vos données et vos règles métier à vos applications.
Outils : FastAPI, Django, Pydantic, PostgreSQL
Ajouter des modèles d’IA à vos traitements, de façon contrôlée.
Outils : SDK des fournisseurs d’IA, SDK MCP, bases vectorielles
Remplacer les manipulations répétitives par du code.
Outils : Python, planificateurs, Docker, n8n
Méthode
Le code n’est qu’une partie du travail : il doit tourner sans moi et être repris par votre équipe.
01
L’objectif : comprendre le besoin et l’existant.
On précise ce que le code doit faire, les données concernées, l’environnement d’exécution et les personnes qui le maintiendront.
Livrable : un périmètre écrit et les choix techniques justifiés.
02
L’objectif : écrire un code lisible et fiable.
Code typé, découpé en fonctions claires, avec des tests automatisés sur les règles importantes et une gestion explicite des erreurs.
Livrable : un dépôt de code versionné et ses tests.
03
L’objectif : faire tourner le code dans votre environnement.
Conteneur Docker, planification, journaux et alertes : le traitement tourne seul et signale ses problèmes.
Livrable : un service en production, supervisé.
04
L’objectif : rendre votre équipe autonome.
Documentation d’installation et d’exploitation, revue du code avec la personne qui le reprendra.
Livrable : un projet que votre équipe peut faire évoluer.
Votre consultante
J’utilise Python au quotidien pour la data, l’IA et l’automatisation. Pour les projets de données de bout en bout, voyez aussi la page data engineering.
Typage, tests automatisés et revue avant chaque livraison.
Des traitements pensés avec la qualité des données en tête.
Des modèles intégrés avec des sorties contrôlées.
Code, accès et documentation transmis à votre équipe.
Tout ne demande pas une application. Le bon format dépend de qui utilise le résultat, de la fréquence et du niveau de fiabilité attendu.
| Critère | Script Python planifié | API ou application Python | Workflow n8n avec du code |
|---|---|---|---|
| Usage | Un traitement qui tourne seul, à heure fixe | Un service appelé par d’autres outils ou par des utilisateurs | Un enchaînement entre plusieurs outils |
| Interface | Aucune, des journaux et des alertes | Une API, parfois une interface web | L’éditeur visuel de n8n |
| Logique complexe | Très à l’aise | Très à l’aise | Possible dans les nœuds de code |
| Qui peut le modifier | Un développeur | Un développeur | Une personne formée à n8n |
| Cas idéal | Imports, calculs et exports réguliers | Règles métier partagées entre plusieurs outils | Intégrations entre outils en ligne |
Sommaire
Python est devenu le langage de référence pour la donnée et l’intelligence artificielle. Ses bibliothèques couvrent tout le cycle : collecte, nettoyage, analyse, modèles, visualisation. Les fournisseurs de modèles d’IA publient des kits de développement Python officiels, et la plupart des frameworks d’agents sont écrits en Python. Le même langage sert donc à la fois à préparer les données, à appeler les modèles et à exposer le résultat par une API, ce qui simplifie la maintenance : une seule équipe, un seul outillage de tests et de déploiement.
Les deux sont des choix solides, pour des usages différents. FastAPI convient aux API : il est léger, s’appuie sur les annotations de type pour valider les données et génère automatiquement la documentation de l’API. Django est un framework complet, avec une interface d’administration, un système d’authentification et un ORM intégrés : il convient aux applications avec de nombreux écrans de gestion. Pour une API de données ou un service d’IA, je choisis le plus souvent FastAPI.
Un code Python qui dure partage quelques caractéristiques. Les types sont annotés, ce qui documente le code et permet de repérer des erreurs avant l’exécution. Les règles importantes sont couvertes par des tests automatisés. Les dépendances sont figées dans un fichier, pour que le projet s’installe à l’identique. Les secrets sont lus dans l’environnement, jamais écrits dans le code. Enfin, un fichier d’explication dit comment installer, lancer et déployer le projet.
Beaucoup de projets data commencent dans un notebook, et c’est très bien pour explorer. Le problème arrive quand ce notebook devient un traitement dont l’entreprise dépend. Passer en production consiste à extraire la logique dans des fonctions testées, à paramétrer ce qui était écrit en dur, à planifier l’exécution et à surveiller les résultats. Pour un modèle prédictif, la page data science et machine learning détaille ce passage.
Reprendre du code écrit par quelqu’un d’autre est une situation fréquente. On commence par le faire tourner tel quel, puis par écrire des tests qui figent son comportement actuel. On peut ensuite le corriger et le faire évoluer sans risque de régression. Les dépendances anciennes sont mises à jour progressivement, une par une, en relançant les tests à chaque étape. Quand le code tourne en production, une tierce maintenance applicative garde ensuite le service sous surveillance.
Un développeur freelance convient à un projet délimité, à un renfort ponctuel ou à une compétence que votre équipe n’a pas encore, comme l’intégration de modèles d’IA. Un recrutement s’impose quand le besoin est permanent et central pour votre activité. Les deux se combinent bien : le freelance construit et documente, puis transmet le projet à la personne recrutée. L’important est que le code, les accès et la documentation vous appartiennent dès le départ, quel que soit le choix.
FAQ
Oui. Je commence par faire tourner le projet tel quel et par écrire des tests sur son comportement actuel. Je documente ce que je découvre, puis je corrige et fais évoluer le code sans risque de régression. Si une réécriture partielle est préférable, je l’explique avec ses raisons.
Oui, c’est souvent le cas. Je m’adapte à vos conventions, à votre dépôt de code et à votre processus de revue. Chaque livraison passe par une revue de code avec la personne qui reprendra le projet, pour que la connaissance reste dans votre équipe.
Dans votre environnement : votre dépôt de code, votre hébergement, votre cloud. Je livre le plus souvent le code sous forme de conteneur Docker, qui s’exécute de la même façon partout. Si vous n’avez pas encore d’hébergement, je vous aide à choisir une solution adaptée et simple à exploiter.
Oui, comme assistant, avec des outils comme Claude Code. Le code produit est relu, testé et compris avant d’être livré : la responsabilité de ce qui part en production reste la mienne. Cela accélère les tâches répétitives, sans remplacer la conception ni la revue.
Pour la grande majorité des besoins de données, d’API et d’IA, oui. Les calculs lourds s’appuient sur des bibliothèques optimisées, et les traitements volumineux peuvent être confiés à l’entrepôt de données lui-même. Quand un point est vraiment limitant, on le mesure avant de l’optimiser.
Cela dépend du périmètre. Un script d’import se livre bien plus vite qu’une API avec authentification et interface. Je vous donne une estimation après le cadrage, découpée en étapes livrables, pour que vous puissiez utiliser une première version rapidement et ajuster la suite.
Des données centralisées et fiables
Des modèles prédictifs en production
Une application pour votre process
Vos outils accessibles aux agents IA
Échangeons 30 minutes sur votre besoin et votre existant. Vous repartez avec une première approche technique et les étapes du projet.
