Piloter une PME de maintenance par les données
Frigéo Services est une PME de maintenance frigorifique dont les logiciels ne communiquent pas entre eux.
Cette étude de cas montre, pas à pas, comment passer de ses exports bruts à des données fiables, sans aucune correction à la main.
Chaque anomalie est retrouvée, expliquée et tracée jusqu'à sa ligne d'origine.
Cas fictif.
L'entreprise, les personnes, les clients et les montants sont inventés.
Les données reproduisent les défauts réels des fichiers d'une PME, et le code est public.
La situation de départ
Frigéo Services entretient, dépanne et installe les réfrigérateurs, vitrines et chambres froides des commerçants de bouche, restaurateurs et supérettes de l'Eure et de la Seine-Maritime. L'entreprise compte 11 techniciens et 4 salariés administratifs, pour un chiffre d'affaires d'environ 1,35 M€ HT.
Cinq logiciels se partagent l'information, sans aucune passerelle entre eux :
- la planification des interventions, exportée en CSV;
- la facturation et les achats, exportés sous Excel;
- la comptabilité, sous forme de fichier des écritures comptables (FEC);
- le tableur RH et paie;
- le fichier clients (CRM), exporté en CSV.
Les exports couvrent l'année 2025 puis chaque mois de 2026, soit 13 tables et 131 colonnes, dont plus de 10 000 interventions et plus de 54 000 lignes d'écritures comptables. Ils portent les défauts habituels d'une PME : ressaisies, exports successifs qui se recouvrent, encodages différents, erreurs de saisie. La direction sait que ces défauts existent, mais ne sait ni lesquels ni combien.
L'objectif
La direction veut des indicateurs fiables sur son activité et sa rentabilité, et surtout connaître la marge opérationnelle de chaque intervention : le chiffre d'affaires facturé, moins le coût du technicien, le coût du déplacement et le coût des pièces.
Deux tableaux de bord sont attendus : l'un pour la direction, l'autre pour la qualité des données. Dans les deux, chaque chiffre doit pouvoir se détailler jusqu'à la ligne du fichier dont il vient.
La méthode, elle, doit servir au-delà de ce cas. Elle doit se reprendre chez un autre client sans réécrire le code, et se relancer chaque mois par un utilisateur de l'entreprise : il dépose les fichiers du mois et change un seul paramètre.
Les actions menées
Un principe guide toutes les étapes : aucune donnée n'est corrigée à la main, et rien n'est deviné. Une valeur qui ne se corrige pas sans ambiguïté reste telle quelle et reste signalée.
- Charger les exports tels qu'ils sont livrés. Chaque ligne garde la trace de son fichier et de son numéro de ligne d'origine.
- Décrire les données, puis les faire valider. Un dictionnaire des données est proposé à partir des valeurs observées (formats, listes de valeurs, champs obligatoires). Le métier le valide ou le corrige dans un classeur Excel, au lieu de tout ressaisir.
- Contrôler les formats et repérer les doublons, y compris entre deux exports mensuels qui se recouvrent.
- Vérifier les règles de gestion et rapprocher les sources. 63 règles, par exemple : une intervention est facturée une fois et une seule, chaque facture a son écriture comptable, le stock d'une pièce ne devient jamais négatif, un temps de trajet reste vraisemblable.
- Réunir les anomalies dans une table unique. Chacune y porte son fichier, sa ligne, la règle violée, sa gravité et les indicateurs qu'elle fausse.
- Nettoyer par des règles explicites. Les cas ambigus sont tranchés par le métier, ligne par ligne, dans un classeur d'arbitrage. Chaque correction est inscrite dans un journal, et les fichiers d'origine restent intacts.
Les résultats obtenus à ce jour
Sur les données de janvier 2025 à mars 2026, la direction sait désormais quels défauts contiennent ses fichiers, combien, où ils se trouvent et quels indicateurs ils faussent.
1 876 écarts tracés jusqu'à leur ligne d'origine, dont :
- 913 anomalies (82 bloquantes, 800 majeures, 31 mineures)
- 882 points soumis à l'arbitrage du métier
- 91 cellules corrigées par une règle explicite
- 25 lignes retirées (doublons, décisions du métier)
- 164 écarts résolus par le nettoyage
Les 81 autres écarts sont des pratiques normales de l'entreprise, signalées pour information.
Quelques constats parlent d'eux-mêmes. Cinq dates d'entrée de salariés mal saisies empêchaient de vérifier 3 496 interventions : les corriger est de loin l'action la plus rentable. Vingt et un noms de clients abîmés par un mauvais encodage ont été réparés automatiquement. Le nettoyage a enfin fait apparaître 4 défauts jusque-là masqués, aussitôt signalés.
Pour les équipes techniques
Le traitement est un outil réutilisable pour d'autres clients.
Le code est public sur GitHub, sous licence MIT.
- Code générique, configuration par client. Le code ne contient aucun nom de fichier ni de colonne d'un client. Tout ce qui change d'un client à l'autre tient dans cinq fichiers de configuration YAML.
- Règles génériques. Les 63 règles de gestion sont des instances de 28 types génériques. Une règle nouvelle donne un type nouveau, jamais une fonction propre au client.
- Traçabilité. Chaque enregistrement garde son fichier et sa ligne d'origine, chaque anomalie un identifiant stable, chaque correction sa ligne au journal.
- Tests et versionnage. 542 tests automatisés sur données fictives, une branche et une pull request par étape, un mode opératoire versionné qui dit qui fait quoi entre le consultant et le métier.
- Confidentialité. Les 19 colonnes sensibles ne sont jamais affichées. Données et secrets restent hors du dépôt. L'assistant IA n'a accès qu'au code, jamais aux données.
- Limites documentées. Le README décrit ce que le code ne couvre pas encore et ce qu'il faudrait adapter chez un autre client.
Outils : Python, pandas, Jupyter, pytest, YAML, Excel, Git et GitHub. À venir : SQL Server et Azure SQL Database, Power BI, Power Automate.
Où en est le projet
La fiabilisation des données est terminée (octobre 2026). Le calcul de la marge et les tableaux de bord sont les prochaines étapes, et cette page sera complétée au fur et à mesure.
Étapes | Contenu | Outils | État |
|---|---|---|---|
1 à 6 | Chargement, contrôles, table des anomalies, nettoyage | Python, Excel | Terminé |
7 | Modèle de données, indicateurs et marge par intervention | SQL Server, Azure SQL Database | À venir |
8 | Tableaux de bord direction et qualité des données | Power BI | À venir |
9 et 10 | Documentation, mise en production et passation | Azure, Power Automate | À venir |