DataChat
V1 terminée · bêta privéeUn analyste data autonome pour founders SaaS. Branchez Stripe, HubSpot ou un CSV : l'agent profile vos données, formule des hypothèses, les teste une par une avec du code Python, et ne livre que ce qui est prouvé. Pas besoin d'écrire un prompt ni du SQL.
Le problème
Un founder SaaS early-stage a ses données dans Stripe et son CRM, mais pas d'analyste. Il décide donc au feeling, ou paie un freelance 400 €/jour pour trois graphiques.
Le défi technique : empêcher qu'un LLM branché sur des données raconte n'importe quoi. Chaque hypothèse de DataChat est validée par du code Python exécuté sur les vraies données. Si le test échoue, l'insight est écarté. C'est le réflexe des maths : on ne garde que ce qui est prouvé.
La boucle agentique
L'agent cartographie le dataset : schéma, qualité, signaux.
15 à 20 pistes générées : churn, pricing, cohortes, saisonnalité…
Chaque piste testée par du code Python sur les vraies données.
Top 5–7 insights prouvés, rédigés en français actionnable.
L'ingénierie derrière
F·01Validation par le code
Un insight n'est publié que si le code qui le teste passe. Le LLM formule les hypothèses, Python les vérifie.
F·02Clean Architecture
Domain, use cases et infra séparés. Chaque agent = un appel LLM + un prompt versionné + des I/O Pydantic typées. Chaque brique se remplace et se teste facilement.
F·03Testé sans réseau
LLM mocké pour les tests, lint + typecheck (ruff, mypy, tsc), smoke test E2E. Le pipeline tourne sans clé API.
F·04Aucune config côté utilisateur
On branche une source et on reçoit un rapport, sans prompt à écrire ni SQL à connaître.