Vue d'ensemble

Pourquoi jinflow existe

Les organisations sont assises sur des données qu’elles ne comprennent pas. Les chaînes d’approvisionnement hospitalières laissent fuir des revenus. Les stations de ski ne parviennent pas à réconcilier les ventes de forfaits avec les passages aux remontées. Les transitaires perdent la visibilité entre les points de contrôle. Les cabinets d’avocats facturent des heures qu’ils ne peuvent retracer.

Les données existent. Les questions existent. Ce qui manque, c’est un moyen systématique de passer de « quelque chose semble anormal » à « voici pourquoi, et voici ce qu’il faut faire ».

jinflow est ce système.

L’idée

Déclarez ce que vous voulez détecter. Le moteur fait le reste.

Vous écrivez un Signal : « trouver les cas où les événements de facturation manquent. » Vous écrivez une Thesis : « s’agit-il d’une lacune systématique de facturation ? » Vous écrivez un Verdict : « le déclencheur de facturation ne se déclenche que lors des sorties de patients hospitalisés. »

Chaque déclaration se compile en SQL. Chaque modèle SQL s’exécute sur vos données. Chaque résultat alimente la couche suivante. La sortie est un Knowledge Store — un fichier DuckDB unique contenant les findings, les verdicts, les explications et les connaissances expertes. Consultable dans l’Explorer.

Pas de code personnalisé. Pas de requêtes ad hoc. Pas de tableaux de bord qui répondent à une question et en soulèvent trois autres. Un pipeline déclaratif qui construit la compréhension.

La pyramide analytique

Chaque couche s’appuie sur celle du dessous. Les Signals détectent. Les Perspectives agrègent. Les Theses évaluent. Les Verdicts expliquent. Et parallèlement à la pyramide, les SMEbits capturent les connaissances expertes qu’aucun modèle de données ne peut dériver.

Deux mondes, une interface (P/T-Worlds)

La pyramide a une séparation nette — et cette séparation définit deux pistes d’évolution parallèles. Le P-world (Pipeline) construit la fondation de données. Le T-world (Talk) construit l’intelligence analytique. Les deux évoluent continuellement et indépendamment. L’Entity + Contract est l’interface stable entre eux.

P-world (Pipeline) est l’ingénierie de données : ingestion, validation, gouvernance. La sortie est des Entities propres, agnostiques du système source. Un ingénieur peut améliorer les adaptateurs source, corriger les règles de validation, ajouter de nouvelles entités — sans toucher un seul Signal ou une seule Thesis.

T-world (Talk) est le travail analytique : déclarer ce qu’il faut détecter, évaluer si c’est réel, expliquer pourquoi. Un consultant peut ajouter des Signals, affiner des Theses, capturer des SMEbits — sans toucher au pipeline.

Aucun monde ne bloque l’autre. Les deux évoluent continuellement. jinflow make reconstruit les deux en une seule passe. jinflow evolve assiste les deux — que vous déboguiez un problème de qualité de données ou rédigiez un nouveau Verdict.

L’Entity est le point de transfert. Le data engineer garantit sa forme et sa qualité. L’analyste fait confiance à cette garantie. Deux ensembles de compétences différents, une interface partagée.

	Construire le pipeline	Parler aux données
Qui	Data engineer	Analyste, consultant, expert métier
Pense en	SQL, schémas, qualité des données	Questions, thèses, preuves
Rédige	Modèles dbt, macros système source	Signals, Theses, Verdicts, SMEbits
Finit à / commence depuis	Entity (Gold)	Entity (Gold)
Outils	jinflow make, dbt CLI	Explorer, jinflow evolve, éditeur YAML

La boucle principale

Make compile vos déclarations et construit le Knowledge Store. Explore vous permet de parcourir les findings, tester les Theses et examiner les preuves dans une interface web. Evolve vous connecte à Claude AI pour une analyse approfondie. Chaque cycle approfondit la compréhension.

Principes de conception

Déclaratif, pas procédural. Vous déclarez ce qu’il faut détecter. Le moteur décide comment le calculer. Aujourd’hui, les déclarations sont du YAML compilé en SQL. Demain, ce pourrait être une autre surface — le principe reste.

Pas de filtrage silencieux. Les données invalides sont signalées, pas supprimées. Chaque ligne porte un flag is_valid et une invalid_reason. Gold ne montre que les lignes valides, mais Silver conserve tout. Rien ne disparaît sans laisser de trace.

La qualité est interrogeable. La qualité des données n’est pas un rapport secondaire — c’est un modèle dbt de premier rang. Vous pouvez interroger les métriques de qualité de la même manière que vous interrogez les données elles-mêmes.

Le savoir comme données. Les connaissances expertes (SMEbits) vivent dans le même pipeline que les findings. Elles sont attribuées, versionnées, délimitées et optionnellement testables. La différence entre données et connaissance est le pourquoi.

Multi-tenant par conception. Chaque tenant est un schéma DuckDB isolé. Les tenants partagent le framework analytique mais ne voient jamais les données des autres. L’IA est limitée à exactement un tenant par session.

Les domain packs alimentent l’analytique. Chaque pack regroupe des Signals, des Theses, des Verdicts, des SMEbits, des Contracts et des adaptateurs système source pour une industrie spécifique. Le moteur est agnostique du domaine — les packs apportent l’expertise métier. Les packs de référence incluent nuMetrix (santé), Millesime (viticulture), Alptrack (stations de ski), InterLogic (logistique) et d’autres.

À qui s’adresse jinflow ?

Rôle	Monde	Ce qu’il fait
Data engineer	Construire le pipeline	Maintient le pipeline medallion. Ajoute des adaptateurs système source. Livre des Entities propres.
Consultant	Parler aux données	Crée des Signals et des Theses pour les clients. Emballe l’expertise dans des domain packs.
Analyste	Parler aux données	Explore les findings dans l’Explorer. Capture les connaissances expertes sous forme de SMEbits.
Direction	Consommer les résultats	Passe en revue les résumés exécutifs, les Theses confirmées et les causes racines des Verdicts.

Ce qui distingue jinflow

Par rapport aux outils BI : les tableaux de bord BI répondent à des questions prédéfinies. jinflow découvre des questions que vous ne saviez pas poser — et explique pourquoi les réponses comptent.

Par rapport aux outils de qualité de données : les outils de qualité signalent les mauvaises données. jinflow détecte des patterns (Signals), évalue s’ils sont systématiques (Theses), explique pourquoi ils se produisent (Verdicts) et recommande les actions à entreprendre.

Par rapport à l’analytique sur mesure : le code sur mesure est puissant mais fragile. jinflow fournit un cadre déclaratif où la logique analytique est versionnée, compilée et reproductible — pas enfouie dans des notebooks ou des scripts.

Prochaines étapes

• Votre premier build — construire un Signal et explorer les findings en 15 minutes
• Glossaire — 54 termes expliqués
• Domain Packs — voir à quoi ressemble jinflow dans 4 industries