Dossier de preuves 1+3 · Snowflake · dbt · Cortex
Avant d’étendre l’IA analytique, recevez en 5 jours ouvrés une carte de confiance des métriques, les constats de validation et une recommandation Go/No-Go.
Quand Snowflake Cortex ou vos dashboards divergent, un simple dbt build reste vert. J’audite 1 à 2 KPI critiques (lecture seule en prod), intègre les tests CI et livre un rapport de 3 pages.
- Périmètre fixe · 50/50
- 4 500 € HT
- 1 à 2 KPI critiques
- 5 jours ouvrés
- Lecture seule prod
- Go / No-Go
Première étape : le Readiness Check, 2 jours, 1 200 € HT, déduit du Sprint sous 30 jours. Voir la première étape ↓
1 200 € HT · 2 jours · Payé à la commande
AI Analytics Readiness Check
Examen indépendant de 2 jours des questions auxquelles votre IA analytique doit répondre. Vous recevez un rapport de préparation.
Les 1 200 € sont intégralement déduits si vous réservez le Trust Sprint dans les 30 jours.
Jugement indépendant, ni audit Cortex Analyst ni exécution dans Snowflake.
AI Analytics Trust Sprint
Lecture seule en prod · Semantic View en sandbox · 50 % d’acompte, 50 % à la livraison
Problème
Snowflake Cortex et vos dashboards renvoient des KPI contradictoires lorsque les définitions dbt dérivent ou manquent de tests de parité sémantique.
Intervention
Sprint de 5 jours ouvrés sur 1 à 2 KPI : audit prod en lecture seule, Metric Trust Map, Semantic View Snowflake en sandbox, tests CI et rapport de 3 pages.
Preuve
Rapport d’exemple de 3 pages (/sample-report et PDF sur dbt-revenue-variance-demo commit 243d6f0 : 4 défauts silencieux bloqués) + replay Auditor (176 tests).
Décision acheteur
Recevoir une carte de confiance des métriques, les constats de validation et une recommandation Go / Go conditionnel / No-Go sous 5 jours ouvrés, pour décider quoi traiter avant d’étendre l’IA analytique.
Comparer Sprint (4 500 € HT) vs Audit (3 000 € HT) et modalités J5
Mission phare (Préparation IA + Métriques)
AI Analytics Trust Sprint
4 500 € HT · 5 jours de livraison · Périmètre fixe · 50 % à la commande, 50 % à la livraison
Idéal lorsque vous souhaitez ouvrir 1 à 2 KPI critiques à Snowflake Cortex ou au text-to-SQL et avez besoin d’une cartographie de confiance, d’une Semantic View gouvernée en sandbox, de tests de validation et d’une décision Go/No-Go objective.
Point d’entrée autonome (dbt et lignage seuls)
Audit de santé de projet dbt
3 000 € HT · Périmètre fixe · 50 % à la commande, 50 % à la livraison · Snowflake en lecture seule + manifest.json
Idéal lorsque vous ne déployez pas encore d’assistant IA, mais avez besoin d’un rapport d’impact sur le lignage et d’une suite de tests CI pour stopper la dérive silencieuse des métriques dans votre projet dbt.
Prochaine étape (20 minutes, sans présentation commerciale)
Lors de l’appel de cadrage, nous examinons 1 à 2 métriques cibles et votre environnement Snowflake/dbt, confirmons si le Trust Sprint de 5 jours ou l’Audit dbt est le plus adapté, et validons les accès en lecture seule.
3 preuves complémentaires — Chaîne d’audit, garde-fou SQL et parcours entreprise
La frontière de preuve et le lien de vérification principal restent visibles d’emblée ; développez un cas pour lire Problème → Intervention → Preuve → Décision.
Audit de santé de projet dbt
Diagnostic autonome cartographiant les défauts structurels dbt et le rayon d’impact sur le lignage lorsqu’un dbt build passe (ERROR=0) alors que les KPI dérivent.
Afficher le détail du Cas 1 (Problème → Intervention → Preuve → Décision)
Preuve d’ingénierie : Replay enregistré (jaffle-shop + 2 défauts injectés) et dépôt d’écart fictif · Analyse statique manifest.json + métadonnées Snowflake en lecture seule + rapport de lignage et tests CI
Problème
Les modifications de modèles dbt non validées, l’absence de garde-fous sur les remboursements ou la couverture temporelle, et la logique de métrique dupliquée passent un simple dbt build (ERROR=0) tout en faussant silencieusement les chiffres dans les dashboards et outils IA en aval.
Intervention
Un audit statique et de métadonnées croisant votre manifest.json dbt avec un rôle Snowflake en lecture seule pour projeter chaque constat structurel et son rayon d’impact (blast radius) sur le graphe de lignage, complété par des tests à réponse connue et de parité dashboard/métrique intégrés en CI.
Preuve
1) Replay Snowflake & dbt Auditor (dbt-model-auditor.simonsangla.com : 176 tests hors ligne, vue du rayon d’impact sur jaffle-shop avec 2 défauts injectés). 2) dbt-revenue-variance-demo (dbt-revenue-variance-demo.simonsangla.com et dépôt GitHub : 4 mutations silencieuses font passer le chiffre d’affaires de 53 546,30 EUR à 9 550,90 EUR, 35 950,20 EUR ou 61 606,60 EUR avec un dbt build vert, puis échouent de façon déterministe une fois les 4 tests ajoutés).
Décision acheteur
Décider quels défauts structurels dbt, définitions de métriques non protégées et nœuds à fort rayon d’impact doivent être corrigés en priorité — soit comme feuille de route autonome à 3 000 € HT, soit comme socle de l’AI Analytics Trust Sprint.
MetricPilot — Garde-fou SQL et analytique IA gouvernée
Pipeline en trois briques imposant un contrat sémantique, un garde-fou SQL sqlglot en lecture seule (fail-closed, bloquant DROP/DELETE) et l’ancrage sur les lignes.
Afficher le détail du Cas 2 (Problème → Intervention → Preuve → Décision)
Parcours d’architecture : Scénarios pré-assemblés sur données d’exemple synthétiques · Contrat sémantique · Garde-fou SQL sqlglot en lecture seule · Vérification au niveau des lignes
Problème
Les responsables métier et sécurité ne peuvent pas autoriser un assistant SQL en langage naturel si l’agent peut exécuter des requêtes destructrices ou inventer des chiffres qui ne correspondent pas aux lignes renvoyées.
Intervention
Un pipeline de vérification inspectable en trois briques : un contrat sémantique limitant les métriques aux définitions approuvées, un garde-fou SQL sqlglot en lecture seule (fail-closed) qui analyse et bloque toute écriture/DDL avant exécution, et un ancrage sur les lignes où les graphiques sont tracés depuis le résultat et tout chiffre non vérifié est retenu.
Preuve
Parcours interactif en trois scénarios (/demo/metricpilot.html) et étude de cas technique (/work/metricpilot) : le scénario 1 montre une requête gouvernée avec SQL complet et lignage ; le scénario 2 prouve le refus fail-closed sur une instruction destructive DROP/DELETE (Bloqué · 0 ligne touchée) ; le scénario 3 résout l’ambiguïté de grain via le contrat sémantique.
Décision acheteur
Évaluer si le filtrage SQL fail-closed en lecture seule et la traçabilité des chiffres au niveau des lignes répondent à vos exigences de gouvernance avant d’ouvrir vos tables Snowflake aux requêtes en langage naturel.
TripAdvisor — Standards dbt gouvernés et Text-to-SQL interne
Parcours réel chez TripAdvisor (2021–2025) : modèle analytique dbt avec standards et règles de self-service, assistant text-to-SQL interne, et « Analyses de causes racines sur les KPI réduites de plusieurs jours à quelques heures. »
Afficher le détail du Cas 3 (Problème → Intervention → Preuve → Décision)
Résultat en entreprise : Parcours opérateur publié (distinct des démos synthétiques) · Ingénierie analytique en production, gouvernance self-service et diagnostic de KPI exécutifs
Problème
Les analyses des causes racines des KPI sont passées de plusieurs jours à quelques heures.
Intervention
Pendant quatre ans chez TripAdvisor (Lead Analyst → Senior Lead Analyst, 2021–2025), construction d’un modèle analytique fondé sur dbt avec standards de modélisation, tests et règles de self-service, et contribution à un assistant text-to-SQL interne pour les équipes non techniques.
Preuve
Résultat qualitatif publié issu du parcours de Simon Sangla chez TripAdvisor (2021–2025) : « Analyses de causes racines sur les KPI réduites de plusieurs jours à quelques heures. » Source primaire : profil opérateur publié sur le site principal (/#about) ; corroboration secondaire : parcours public sur LinkedIn (linkedin.com/in/simon-sangla).
Décision acheteur
Ce parcours — analyses des causes racines des KPI passées de plusieurs jours à quelques heures, modèle analytique dbt avec standards, tests et règles de self-service, et contribution à un assistant interne text-to-SQL — correspond-il à l’expérience recherchée ?
Pourquoi faire appel à Simon plutôt qu’à un outil de plus
Les démonstrations de cette page sont des instruments de diagnostic — vous me mandatez pour le jugement d’ingénierie et une recommandation Go/No-Go étayée par les preuves.
Afficher la méthodologie d’intervention et la classification des preuves en 3 niveaux
Un logiciel seul ne résout pas deux définitions contradictoires du chiffre d’affaires entre Finance et Opérations. Avec plus de 14 ans d’expérience en analytique SQL et Snowflake/dbt en production (notamment chez TripAdvisor, Lead Analyst → Senior Lead Analyst, 2021–2025), j’utilise le harnais d’inspection et le garde-fou SQL présentés ici pour auditer votre lignage dbt réel, intégrer les contrôles à réponse connue et de parité dans votre CI, construire une Semantic View gouvernée dans un sandbox ou clone hors production, et vous remettre un rapport de préparation directement exploitable par la direction. Si une métrique n’est pas prête pour l’IA, le rapport conclut No-Go ou Go conditionnel avec les correctifs exacts.
Classification des preuves et frontière de transparence
Chaque affirmation de cette page est rattachée à une catégorie de source explicite afin de distinguer clairement les démonstrations synthétiques de l’expérience réelle en entreprise :
- Dépôt de référence synthétique / seedé: Données 100 % fictives (seed 42, commit 243d6f0) utilisées pour montrer la structure exacte du rapport de 3 pages et 4 modes de défaillance dbt silencieux sans exposer de données client.
- Replay d’inspection enregistré et parcours guidé: Outils de diagnostic complémentaires (Snowflake & dbt Auditor sur jaffle-shop public avec 2 défauts injectés ; garde-fou SQL MetricPilot sur données d’exemple) utilisés pendant les missions — non vendus comme SaaS concurrent.
- Parcours en entreprise (TripAdvisor, 2021–2025): Expérience réelle en production (Lead Analyst → Senior Lead Analyst), strictement séparée des démonstrations synthétiques et limitée aux résultats qualitatifs validés.
Prêt à vérifier vos propres métriques ?
Commencez par un appel de cadrage de 20 minutes.
Apportez 1 à 2 KPI où vos tableaux de bord divergent ou sur lesquels un pilote Snowflake Cortex / text-to-SQL bloque. Nous examinerons votre périmètre dbt et Snowflake, déciderons si l’AI Analytics Trust Sprint de 5 jours (4 500 € HT) ou l’Audit de santé dbt autonome (3 000 € HT) est le bon instrument, et détaillerons les livrables du jour 5.
04 / L’opérateur
Plus de 14 ans d’analytique SQL ; Snowflake et dbt en production.
Analytics engineer indépendant à Lisbonne. Missions à périmètre fixe, pas de facturation à l’heure.
Vérifier le parcours sur LinkedIn (ouvre un nouvel onglet)Chez TripAdvisor, 2021–2025
- Enquêtes de cause racine des KPI ramenées de jours à heures.
- Contribution à un assistant text-to-SQL interne pour les équipes non techniques.
- Conception d’un socle analytique dbt : standards de modèles, tests et règles de libre-service.
Réservez l’appel de cadrage.
20 minutes pour voir si le sprint convient à votre configuration Cortex ou text-to-SQL.
Périmètre fixe, budget plafonné.
- 20 minutes.
- Vous décrivez le cas d’usage ; je vous dis si le sprint convient et quel accès il demande.
- Vous repartez avec un oui au prix fixe, ou un non.
Délai de réponse : < 24 h. Je signe votre accord de confidentialité avant l’appel. Références sur demande.