Vue d'ensemble

Pourquoi jinflow existe

Les organisations sont assises sur des données qu’elles ne comprennent pas. Les chaînes d’approvisionnement perdent du chiffre d’affaires. Les domaines skiables n’arrivent pas à réconcilier les ventes de billets avec les passages aux remontées. Les transitaires perdent la visibilité entre les checkpoints. Les études d’avocats facturent des heures qu’elles ne peuvent pas tracer.

Les données existent. Les questions existent. Ce qui manque, c’est une manière systématique de passer de « quelque chose ne va pas » à « voici pourquoi, et voici quoi faire ».

jinflow est ce système.

Une chose à dire d’emblée — le set-up, c’est l’analyse

Le pack est une longueur d’avance. L’analyse est le travail.

Lorsque vous mettez en place un nouveau tenant sur un Domain Pack existant, jinflow vous livre un contrat Gold, des extracteurs, une vingtaine de Signals, plusieurs Theses et un catalogue de Subject Matter — un cadre fonctionnel, pas une analyse finie. Le travail d’adapter ce cadre aux données de ce tenant, de calibrer les Signals, de capturer le savoir institutionnel et d’écrire les Theses qui comptent ici — voilà l’analyse. Prévoyez le premier mois pour du travail analytique, pas pour de la configuration.

Nous le disons haut et fort parce que (a) c’est vrai et (b) la liberté de mener ce travail de bout en bout est précisément ce qui distingue jinflow d’un dashboard SaaS. Voir Le set-up, c’est l’analyse pour le cadrage complet et Les premières semaines avec un nouveau tenant pour le parcours réaliste.

L’idée

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

Vous écrivez un Signal : « trouve les cas où des événements de facturation manquent ». Vous écrivez une Thesis : « est-ce un trou de facturation systématique ? ». Vous écrivez un Verdict : « le déclencheur de facturation ne se lance qu’à la sortie des cas stationnaires ».

Chaque déclaration est compilée en SQL. Chaque modèle SQL tourne sur vos données. Chaque résultat alimente la couche suivante. Le résultat est un Knowledge Store — un unique fichier DuckDB contenant Findings, Verdicts, explications et savoir d’expert. Navigable dans l’JinDesk.

Pas de code maison. Pas de requêtes ad hoc. Pas de dashboards qui répondent à une question et en soulèvent trois autres. Une pipeline déclarative qui construit la compréhension.

Le jinflow — la phrase, cinq noms, une forme, un centre

Jinflow nourrit le Progress en gagnant de l’Understanding à travers Observations, Knowledge et Data.

La phrase est le produit, dite une fois. Elle s’accorde avec la tagline de surface (« talk to your data, so it speaks to you ») — le modèle analytique et la surface marketing disent la même chose.

Cinq noms — et seulement cinq — pour les parties de cette forme : Observations (ce que nous remarquons), Knowledge (ce que nous savons), Data (ce que les données disent), Understanding (la résolution — Findings + Verdicts) et Progress (ce que nous ferons). Understanding occupe le centre : trois noms l’alimentent, un seul en repart. Les trois affluents se développent en parallèle — un tenant fait mûrir Observations, Knowledge et Data en même temps.

Trois affluents convergent vers Understanding. Un seul bras avant vers Progress. Enlevez un seul des cinq et la forme s’effondre — le modèle est tenu par les cinq. Le détail complet — comment Data se déploie (Signal → Thesis → Verdict), comment Observations portent Explanation et Contributing Factor, comment Knowledge tient la Subject Matter aux côtés des motifs activables, et comment Progress se prolonge — vit chez Le jinflow et La Noun Topology.

Deux vues : la Rivière et le Jardin

jinflow présente le même paysage sous deux vues complémentaires — vous n’en choisissez pas une ; les deux sont toujours là. La Rivière est l’endroit où les données bougent et sont traitées : les CSVs sources qui coulent à travers Bronze → Silver → Gold, les extractions, les tirs de signaux — tout ce que le système fait à cet instant. Le Jardin est l’endroit où les éclairages sont cultivés : Signals, Theses, Verdicts et Subject Matter disposés comme un diamant parcourable, plus les notes et signets qui accompagnent l’usage humain.

La Rivière et le Jardin sont à la fois des vues navigationnelles (les routes /river et /garden dans l’JinDesk) et des lieux de travail (là où l’eau coule vraiment, là où les plantes poussent vraiment). Mêmes noms, les deux sens. Voir Sense 42 — The Landscape pour le modèle complet, y compris la partition en six catégories de ce qui change réellement dans le paysage — eau, traitement fluvial, outils de jardin, guide du jardinier, entretien du jardin et repères plantés par une personne.

La Rivière, ce sont les données en mouvement. Ingérer, valider, transformer — des CSVs sources jusqu’à Gold en passant par Bronze et Silver. Les personnes qui travaillent le long de la Rivière sont des ingénieures : elles améliorent les extracteurs, corrigent la validation, ajoutent des Entities. Leur attention porte sur le flux lui-même et la qualité de ce qu’il livre.

Le Jardin, c’est le cadre analytique disposé à sa place. Signals, Theses, Verdicts, Subject Matter — un diamant parcourable d’instruments et d’expertise. Les personnes qui soignent le Jardin sont des analystes et des consultants : ils ajoutent des Signals, raffinent les Theses, capturent le savoir métier. Leur attention porte sur la structure de ce que les instruments nous disent.

Aucune vue ne bloque l’autre. Les deux évoluent en continu. jinflow make renouvelle les deux en un passage. jinflow evolve accompagne l’une ou l’autre — déboguer un problème de qualité de données ou rédiger un nouveau Verdict. L’Entity + Contract est la couture par laquelle la Rivière livre au Jardin : la Rivière garantit la forme et la qualité de l’Entity, le Jardin fait confiance à cette garantie.

	La Rivière	Le Jardin
Qui	Data engineer	Analyste, consultant, expert métier
Pense en	SQL, schémas, qualité de données	Questions, Theses, preuves
Écrit	Modèles dbt, macros source-system	Signals, Theses, Verdicts, Subject Matter
Se rejoignent à	Entity (Gold)	Entity (Gold)
Outils	jinflow make, dbt CLI	JinDesk, jinflow evolve, éditeur YAML

Les deux vues saisissent les mêmes artefacts — Entity, Signal, Subject Matter et le reste. La section suivante les nomme selon lequel des trois apports à la Compréhension ils rejoignent.

Trois apports à la Compréhension

Chaque artefact jinflow contribue à l’un des trois cours d’eau qui se rejoignent dans la Compréhension (Understanding) — ou bien il fait partie de l’infrastructure partagée qui sert les trois. Les trois cours sont les trois arêtes affluentes du diamant plus haut :

• Observations — ce que les humains remarquent, signé par une personne nommée. La couche narrative qui porte Explanation et Contributing Factor. Voir Sense 15.
• Connaissance — ce que les experts du domaine ont codifié. Subject Matter (Statement / Check) groupé dans des Dossiers. Pack-natif et à source unique.
• Données — ce que les instruments analytiques disent. Les Signals produisent des Findings, les Perspectives agrègent, les Theses évaluent, les Verdicts jugent. Les instruments eux-mêmes arrivent avec le pack sous forme de modèles ; le tenant les importe et les fait siens.

Observations — ce que les humains remarquent. Une Observation est la perception signée d’une personne nommée sur la réalité de ce tenant — bornée, datée, attribuée. Elle porte une Explanation (pourquoi cela se produit) et un ou plusieurs Contributing Factors (Findings ou Verdicts spécifiques qui ancrent le récit dans la bande porteuse de vérité). La Validation atteste que l’Observation tient toujours. La couche humaine signée est Sense 15.

Connaissance — ce que les experts ont codifié. Les experts capturent ce qu’ils savent du domaine lui-même : particularités systèmes, contournements de processus, décisions de mapping. Une entrée Subject Matter est soit un Statement (une affirmation sur la façon dont le domaine fonctionne), soit un Check (une assertion exécutable en SQL). Les Dossiers regroupent des Subject Matter apparentés en récits. Cette couche est issue du pack et single-sourced — les tenants la référencent ; ils ne la copient ni ne la dupliquent jamais. « OPALE coupe les cas à minuit » est vrai partout où OPALE tourne, donc cela appartient au pack.

Données — ce que disent les instruments analytiques. Le pack livre un catalogue de templates — Signal, Perspective, Thesis, Verdict. Un tenant importe un template puis le possède : dès qu’il touche les données réelles, il diverge et évolue localement. Les Signals importés tournent sur les Entities Gold et produisent des sorties machine — Findings, scores de Perspective, statut de Thesis, sortie de Verdict. Cette sortie est le « ce que disent les données » du tenant.

Infrastructure partagée. Le pack contient aussi beaucoup de choses qui servent les trois cours mais n’habitent aucun : modèles dbt, macros, extracteurs, contrats, squelettes de tenants, écrans d’accueil. C’est de l’infrastructure — la Rivière qui livre Gold, la plomberie qui permet à chaque cours de rejoindre la Compréhension.

Artefact	Cours	Rôle du pack	Rôle du tenant
Observation, Validation, Explanation, Contributing Factor	Observations	—	toujours (humain signé · Sense 15)
Subject Matter, Statement, Check, Dossier	Connaissance	source unique de vérité	référencé, jamais copié
Signal, Perspective, Thesis, Verdict	Données	catalogue de templates	importé, possédé, évolue
Finding, score de Perspective, statut de Thesis, sortie de Verdict	Données	—	toujours (calculé par la machine)

La Compréhension est l’endroit où les trois convergent, et le Progrès est ce qui en découle. C’est la phrase en haut de cette page, redite en termes d’artefacts.

La boucle centrale

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

Principes de design

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 marquées, pas écartées. Chaque ligne porte un flag is_valid et un invalid_reason. Gold n’affiche que les lignes valides, mais Silver préserve tout. Rien ne disparaît sans trace.

La qualité est interrogeable. La qualité des données n’est pas un rapport annexe — c’est un modèle dbt de plein droit. Vous interrogez les métriques de qualité comme vous interrogez les données elles-mêmes.

Le savoir comme donnée. Le savoir expert (Subject Matter) vit dans la même pipeline que les Findings. Il est attribué, versionné, scopé et optionnellement testable. La différence entre une donnée et un savoir, c’est le pourquoi.

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

Les Domain Packs portent l’analytique. Chaque pack regroupe des templates de Signal / Thesis / Verdict / Perspective, de la Subject Matter, des Dossiers, des contrats et des adaptateurs source-system pour un secteur donné. Le moteur est agnostique au domaine — les packs apportent l’expertise métier. Parmi les packs de référence : nuMetrix, Millésime (viticulture), Alptrack (domaines skiables), InterLogic (logistique) et d’autres.

Pour qui est jinflow ?

Rôle	Focus	Ce qu’il / elle fait
Data engineer	La Rivière	Entretient la pipeline médaillon. Ajoute des adaptateurs source-system. Livre des Entities propres.
Consultant	Le Jardin	Construit des Signals et Theses pour les clients. Empaquette l’expertise en Domain Packs.
Analyste	Le Jardin	Explore les Findings dans l’JinDesk. Capture le savoir expert sous forme de Subject Matter.
Direction	Consomme les résultats	Lit les executive summaries, les Theses confirmées et les causes racines des Verdicts.

Ce qui distingue jinflow

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

Par rapport aux outils de qualité de données : les outils qualité marquent les données mauvaises. jinflow détecte des motifs (Signals), évalue s’ils sont systématiques (Theses), explique pourquoi ils se produisent (Verdicts) et recommande quoi faire.

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

Étapes suivantes

• Votre premier build — construisez un Signal et explorez les Findings en 15 minutes
• Glossaire — 54 termes expliqués
• Domain Packs — voyez à quoi ressemble jinflow dans quatre secteurs