---
title: "Données"
updated: "2026-11-16"
url: "https://www.etheon.com/fr/services/data"
---

# Ingénierie des données et analytique

L’ingénierie des données, des pipelines à la BI. Nous construisons les pipelines, les plateformes et la gouvernance derrière votre analytique et votre IA.

commande 1042

### 01 Sources

Sources.

Chaque commande commence par une ligne dans l’export du système qui l’a reçue.

```
orders export
1042,C-88,49.00,EUR,2026-11-12 09:14
```

- Nom du client masqué pour les analystes
- Lignage raw.orders → stg\_orders → fct\_orders
- Conservé 24 mois, puis supprimé

### 02 Ingérer

Ingérer.

La ligne est déposée dans la couche brute telle quelle, chaque champ nommé.

```
raw.orders
order_id     1042
customer_id  C-88
amount       49.00
currency     EUR
ordered_at   2026-11-12 09:14
```

- Nom du client masqué pour les analystes
- Lignage raw.orders → stg\_orders → fct\_orders
- Conservé 24 mois, puis supprimé

### 03 Nettoyer et vérifier

Nettoyer et vérifier.

Types et fuseaux horaires corrigés, et chaque champ vérifié avant de poursuivre.

```
stg_orders
order_id     1042                  unique
customer_id  C-88                  not empty
amount       49.00 EUR             positive
ordered_at   2026-11-12 09:14 UTC  in range
```

- Nom du client masqué pour les analystes
- Lignage raw.orders → stg\_orders → fct\_orders
- Conservé 24 mois, puis supprimé

### 04 Modéliser

Modéliser.

Entrepôts et lakehouses configurés selon votre échelle, votre coût et vos règles d’accès.

- La plateforme adaptée à votre stack
- Des coûts visibles
- Un accès par rôle

```
fct_orders
order_id     1042
customer_id  C-88
amount       49.00 EUR
ordered_at   2026-11-12 09:14 UTC
segment      SMB   from customers
region       EU    from accounts
```

- Nom du client masqué pour les analystes
- Lignage raw.orders → stg\_orders → fct\_orders
- Conservé 24 mois, puis supprimé

### 05 Servir

Servir.

La commande est comptée dans un indicateur que vos rapports utilisent et une variable que lisent vos modèles.

```
metrics, features
metric   weekly_active_customers  counted
feature  orders_last_7_days       3
```

- Nom du client masqué pour les analystes
- Lignage raw.orders → stg\_orders → fct\_orders
- Conservé 24 mois, puis supprimé

### 06 Décider

Décider.

Les personnes lisent l’indicateur dans un rapport ; un modèle lit la variable comme une entrée parmi d’autres.

```
report, model
report  Weekly active customers
model   churn risk, one input of many
```

- Nom du client masqué pour les analystes
- Lignage raw.orders → stg\_orders → fct\_orders
- Conservé 24 mois, puis supprimé

### Pipelines. Les données déplacées depuis leurs sources, nettoyées et vérifiées en chemin.

#### Ce que c’est

Un pipeline de données déplace les données de l’endroit où elles sont créées vers celui où elles sont utilisées, et les vérifie en chemin. Nous connectons vos sources, chargeons les données selon un calendrier ou en continu, et nettoyons et testons chaque enregistrement avant que vos rapports et vos modèles ne le lisent.

#### Ce que nous faisons

- Sources connectées.
- Données ingérées selon un calendrier ou en continu.
- Nettoyage et contrôles en chemin.

#### Comment nous le faisons

1. Connecter: Vos sources connectées, chacune avec un responsable nommé.
2. Charger et vérifier: Les données chargées selon un calendrier ou en continu, vérifiées en chemin.

#### Ce que vous obtenez

- Des pipelines dans votre dépôt
- Des contrôles de données à chaque chargement
- Une carte de chaque source et de son responsable

#### Stack et outils

- Data integration
- Workflow orchestration
- Data quality checks
- Streaming

#### Voir aussi

- [Plateformes de données](https://www.etheon.com/fr/services/data?detail=platforms#platforms)

### Plateformes de données. Entrepôts et lakehouses configurés selon votre échelle, votre coût et vos règles d’accès.

#### Ce que c’est

Une plateforme de données est l’endroit où les données de votre entreprise sont stockées, modélisées et interrogées. Nous mettons en place des entrepôts et des lakehouses adaptés à votre stack, à votre échelle et à vos règles d’accès, avec des coûts visibles pour que la plateforme reste abordable à mesure qu’elle grandit.

#### Ce que nous faisons

- La plateforme adaptée à votre stack.
- Des coûts visibles.
- Un accès par rôle.

#### Comment nous le faisons

1. Choisir: La plateforme adaptée à votre stack, à votre échelle et à votre coût.
2. Mettre en place: Stockage, modèles et règles d’accès, écrits sous forme de code.

#### Ce que vous obtenez

- Un entrepôt ou un lakehouse configuré sous forme de code
- Des règles d’accès par rôle
- Un rapport de coûts

#### Stack et outils

- Data warehouses
- Lakehouses
- Infrastructure as code
- Cost monitoring

#### Voir aussi

- [DevOps et SRE](https://www.etheon.com/fr/services/cloud?detail=devops#devops)

### Données pour le ML. Les jeux de données dont vos modèles apprennent, étiquetés et versionnés avec le modèle.

#### Ce que c’est

Les données pour le ML sont celles dont vos modèles apprennent et sur lesquelles ils sont testés. Nous étiquetons les jeux de données pour la tâche du modèle, masquons les données personnelles avant l’étiquetage, et versionnons chaque jeu avec le modèle qu’il entraîne, pour que tout résultat puisse être relié à ses données.

#### Ce que nous faisons

- Des jeux de données étiquetés pour la tâche du modèle.
- Chaque jeu de données versionné avec son modèle.
- Les données personnelles masquées avant l’étiquetage.

#### Comment nous le faisons

1. Étiqueter: Des jeux de données étiquetés pour la tâche du modèle, les données personnelles masquées d’abord.
2. Versionner: Chaque jeu de données versionné avec le modèle qu’il entraîne.

#### Ce que vous obtenez

- Des jeux de données étiquetés
- Des versions liées à chaque modèle
- Une trace de la façon dont chaque jeu a été constitué

#### Stack et outils

- Labelling tools
- Dataset versioning
- Data quality checks
- Redaction tools

#### Voir aussi

- [MLOps](https://www.etheon.com/fr/services/ai?detail=mlops#mlops)

### Analytique et BI. Chaque indicateur avec une définition, un responsable et ses tests.

#### Ce que c’est

L’analytique et la BI transforment les données en chiffres sur lesquels vos équipes s’accordent. Nous donnons à chaque indicateur une définition unique, un responsable et des tests qui s’exécutent à chaque actualisation, et construisons les rapports et les tableaux de bord que lisent vos équipes.

#### Ce que nous faisons

- Une définition unique pour chaque indicateur.
- Un responsable pour chaque indicateur.
- Des tests qui s’exécutent à chaque actualisation.

#### Comment nous le faisons

1. Définir: Une définition et un responsable pour chaque indicateur.
2. Tester: Des tests qui s’exécutent à chaque actualisation, avant que quiconque ne lise un chiffre.

#### Ce que vous obtenez

- Les définitions des indicateurs, au format présenté sur cette page.

#### Stack et outils

- Data transformation
- BI dashboards
- Metric definitions
- Data quality checks

### Gouvernance. Un accès par rôle, et des données conservées dans la région que vous choisissez.

#### Ce que c’est

La gouvernance des données décide qui peut voir quelles données, où elles sont conservées et pendant combien de temps. Nous définissons l’accès par rôle, conservons les données dans la région que vous choisissez, masquons les données personnelles là où elles ne sont pas nécessaires, les supprimons selon un calendrier et journalisons chaque accès.

#### Ce que nous faisons

- Des données conservées dans la région que vous choisissez.
- Un accès par rôle.
- Les données personnelles masquées là où elles ne sont pas nécessaires.
- Conservation et suppression selon un calendrier.
- Chaque accès journalisé.

#### Comment nous le faisons

1. Cartographier: Chaque jeu de données, qui en a besoin et où il doit rester.
2. Appliquer: Rôles, masquage et suppression configurés dans la plateforme, chaque accès journalisé.

#### Questions

**Où nos données sont-elles stockées ?**

Dans la région que vous choisissez. Vos données et leurs sauvegardes restent dans cette région.

**Qui peut accéder à nos données ?**

Seuls les rôles que vous approuvez. L’accès est accordé par rôle, limité à ce dont chaque rôle a besoin, et chaque accès est journalisé.

#### Ce que vous obtenez

- Une carte des accès par rôle
- Des règles de conservation et de suppression
- Des journaux d’accès lisibles par vos auditeurs

#### Voir aussi

- [Vos données chez Etheon](https://www.etheon.com/fr/company/trust#your-data)
- [Accord de traitement des données](https://www.etheon.com/legal/dpa)

## Ce que vous conservez.

Chaque indicateur et chaque jeu de données s’accompagne de sa définition.

### Clients actifs hebdomadaires.

Indicateur · Analytique et BI

Les clients ayant passé au moins une commande dans la semaine, chacun compté une fois.

- Responsable: Finance
- Source: fct\_orders
- Actualisation: Quotidienne, avant la journée de travail
- Tests: Non vide, une ligne par semaine

Une illustration du format, pas les chiffres d’un client.

### Tickets de support, étiquetés.

Dataset · Données pour le ML

Le jeu sur lequel un assistant est entraîné et évalué, versionné avec le modèle.

- Étiquettes: Intention, une étiquette par ticket
- Versionner: v7 · avec le modèle v7
- Fraîcheur: Hebdomadaire
- Données perso: Masquées avant l’étiquetage

Une illustration du format, pas les données d’un client.

## Qui voit quoi.

Un accès par rôle, et des données conservées dans la région que vous choisissez.

UE: Les données et les sauvegardes restent dans des régions de l’UE.

É.-U.: Les données et les sauvegardes restent dans des régions des États-Unis.

| Rôle | Identité client | Commandes | Tickets de support | Événements | Agrégats |
| --- | --- | --- | --- | --- | --- |
| Analyste | Masqué | Complet | Masqué | Complet | Complet |
| Ingénieur données | Masqué | Complet | Complet | Complet | Complet |
| Agent de support | Masqué | Complet | Complet | Aucun | Aucun |
| Modèle de ML | Aucun | Complet | Masqué | Complet | Aucun |
| Tableau de bord exécutif | Aucun | Aucun | Aucun | Aucun | Complet |

Analystes. Voient les commandes, les événements et les agrégats en entier, avec l’identité des clients et le texte des tickets masqués.

Ingénieurs données. Voient chaque jeu de données pour construire et réparer les pipelines, avec l’identité des clients masquée.

Agents de support. Voient les commandes et les tickets pour répondre à un client ; noms et e-mails masqués, chaque consultation journalisée.

Modèles de ML. Lisent les commandes et les événements pour apprendre, avec le texte des tickets masqué et sans identité client.

Tableaux de bord exécutifs. N’affichent que des agrégats : totaux et tendances, sans aucun enregistrement client individuel.

- [IA](https://www.etheon.com/fr/services/ai): Agents, modèles et MLOps
- [Cloud](https://www.etheon.com/fr/services/cloud): Cloud, DevOps et SRE