Prestation
Une infrastructure data qui tient en production
Vos données vivent dans une douzaine de systèmes, personne n'est d'accord sur le bon chiffre, et chaque nouveau projet commence par refaire la même extraction. Tout modèle construit par-dessus hérite de ce désordre.
Le problème, c’est rarement l’outil
La plupart des projets d’infrastructure data dont nous héritons n’ont pas échoué à cause d’une mauvaise base de données. Ils ont échoué parce que personne n’avait défini à quoi servaient les données. Les pipelines ont été construits source par source, chaque rapport calculait sa propre version du chiffre d’affaires, et la logique a fini dans des tableurs qu’une seule personne comprend.
Nous partons donc des questions auxquelles le métier doit répondre, puis remontons jusqu’aux sources. C’est ce qui nous dit quoi ingérer, quoi modéliser et, tout aussi important, quoi laisser de côté.
Ce que nous construisons
Nous concevons l’architecture, construisons les pipelines et modélisons les données pour que les mêmes définitions alimentent dashboards, rapports et modèles de ML. Nous utilisons des services managés quand ils vous épargnent de l’exploitation, et des outils open source quand ils vous épargnent des coûts ou de la dépendance à un fournisseur.
- Chez Aeropuertos Argentina, nous avons migré les processus ETL de Power Query vers PySpark sur 35 aéroports. Le pipeline principal est passé de 45 à 15 minutes, et l’erreur de reporting a baissé de 5 %.
- Chez Grupo Patagonia, le reporting est passé de plusieurs jours d’Excel manuel à des dashboards mis à jour en quelques minutes, sur un datalake construit sur l’infrastructure du client.
- Chez Agrology, nous avons unifié deux ERP dans une plateforme 100 % serverless sur AWS (Lambda, S3, Glue et Redshift).
- Chez Moni, la nouvelle infrastructure data a réduit les coûts opérationnels de 50 % et rendu le développement de pipelines cinq fois plus rapide.
À la bonne taille, pas surdimensionnée
Une startup avec quelques gigaoctets n’a pas besoin de la plateforme d’une banque. Le surdimensionnement coûte deux fois : une fois pour le construire, puis chaque mois pour le maintenir. Nous proposons l’architecture la plus simple qui résout votre problème aujourd’hui et peut grandir avec vous.
Ce qui reste après notre départ
Votre équipe garde le code, la documentation et la raison de chaque décision. Si nous continuons à travailler ensemble, c’est parce qu’il reste à faire, pas parce que personne d’autre ne peut toucher aux pipelines.
Ce que vous obtenez
Une architecture à la taille du problème
Un design adapté à votre volume de données, votre équipe et votre budget. Si les données tiennent en mémoire, vous n'aurez pas de cluster Spark.
Des pipelines qui tournent sans surveillance
Ingestion, transformation et orchestration avec tests et alertes, pour que les pannes apparaissent dans un log et pas en comité de direction.
Une source de vérité unique
Un lake, un warehouse ou un lakehouse où les définitions métier existent une seule fois, et où rapports et modèles lisent au même endroit.
Une documentation utilisable par votre équipe
Runbooks, contrats de données et passation, pour que le prochain changement ne dépende pas de nous.
Notre façon de travailler
Diagnostic
Le vrai problème n'est pas toujours celui qu'on croit voir. On voit la situation sans le biais d'être à l'intérieur de l'organisation.
Solution juste
On propose la solution la plus simple et la plus adaptée pour votre problème concret. Jamais un bazooka pour tuer un moustique.
Capacité installée
Quand on a fini, votre équipe a la pleine maîtrise de la solution. Si on continue à travailler ensemble, c'est parce que vous le voulez et qu'on peut vous aider, pas parce qu'on vous a enfermés dans une boîte noire.
Cas associés
Transportation
Aeropuertos Argentina
Migration ETL et gouvernance des données sur 35 aéroports : contrôle et efficacité qui a réduit le temps de traitement de 45 à 15 minutes.
Agro-tech
Agrology
Produit piloté par la donnée qui nécessitait une nouvelle infrastructure de données.
Banque
Grupo Patagonia
Automatisation et visibilité : le meilleur point de départ.
Pour aller plus loin
DBT en action : construire la couche de marts qui connecte vos données au business
Les marts sont la couche où vos modèles DBT deviennent vraiment utiles : des datasets curés, prêts pour l'analyse et les décisions métier.
Modèles, Sources et Seeds dans dbt : tutoriel complet pour transformer les données avec du SQL reproductible
Maîtrisez dbt avec ce guide pratique : apprenez à créer des modèles, déclarer des sources et gérer des seeds avec Docker et Postgres. Tutoriel pas à pas pour accélérer votre modern data stack et obtenir des transformations de données reproductibles et fiables.
Comment ajouter une IA générative locale à Grafana et transformer vos graphiques en décisions
Intégrez un modèle de langage local (LLM) dans Grafana et transformez vos dashboards en outils intelligents pour la prise de décision. Dans ce guide pas à pas, on vous montre comment visualiser, analyser et interpréter des métriques en temps réel sans exposer vos données à des services externes.
Questions fréquentes
Faut-il un data warehouse avant de faire de l'IA ?
Il faut des données fiables au même endroit. Parfois c'est un warehouse, parfois un lake bien organisé, parfois quelques tables dans la base que vous avez déjà. Nous le décidons pendant le diagnostic, selon les questions à résoudre et le volume de données.
Avec quels clouds travaillez-vous ?
Surtout AWS, aussi Azure, et vos propres serveurs quand c'est la contrainte. Chez Grupo Patagonia, nous avons construit tout le datalake sur l'infrastructure on-prem du client avec des outils open source.
Pouvez-vous travailler avec notre stack et notre équipe actuelles ?
Oui, et c'est ce que nous préférons. Nous étendons ce qui fonctionne, remplaçons ce qui ne fonctionne pas et documentons tout pour que votre équipe puisse l'exploiter après notre départ.
Combien de temps dure un projet d'infrastructure data ?
Cela dépend du nombre de sources et de leur état. Nos projets récents ont duré entre 5 et 6 mois. Une première conversation suffit pour savoir par où commencer.
Envie de parler de votre problème ?
Dites-nous ce que vous devez résoudre.
Planifier une conversation