« Les ventes augmentent fortement dans la région Ouest. » L’IA accompagne son analyse d’une courbe et d’une explication convaincante. Pourtant, la colonne « ventes » contient peut-être le nombre de devis créés, ou un montant cumulé depuis janvier. Avant d’interpréter la tendance, il faut établir ce que les cellules mesurent réellement.
Un modèle peut effectuer un calcul correct sur une mauvaise interprétation. Le dictionnaire des colonnes précède l’analyse. Quelques vérifications permettent d’éviter qu’une présentation fluide donne une autorité excessive à un tableau dont le sens n’a pas été défini.
Un nom de colonne n’est pas une définition
« CA », « actif », « montant » ou « date » semblent compréhensibles, mais laissent de nombreuses questions ouvertes. Le chiffre d’affaires est-il facturé, encaissé ou prévisionnel ? Le montant est-il hors taxes, dans une seule devise et après remboursement ? La date correspond-elle à la commande ou à son règlement ?
Établissez une description courte pour les variables décisives. Indiquez l’unité, la période, le mode de calcul et la signification des valeurs manquantes. Ces informations peuvent être placées dans une feuille dédiée ou dans une note jointe au fichier. Elles doivent être disponibles pour toute personne chargée d’expliquer les résultats.
Demandez également ce que représente une ligne. Un client peut apparaître une fois, une fois par contrat ou une fois par facture. Compter les lignes ne fournit donc pas nécessairement un nombre de clients. Cette question simple suffit parfois à invalider une comparaison avant même le premier graphique.
Un cumul peut donner l’illusion d’une croissance continue
Considérons un exemple fictif : une colonne affiche 10, puis 18, puis 25. Si ce sont des volumes mensuels, ils augmentent. S’il s’agit d’un cumul depuis le début de la période, les ajouts sont respectivement 10, 8 et 7. La progression du cumul masque alors une baisse du volume ajouté à chaque étape.
L’opération nécessaire dépend de la définition. Un cumul demande souvent d’examiner les différences entre périodes, en vérifiant les remises à zéro et les corrections. Une moyenne glissante décrit encore autre chose. Le modèle ne doit pas choisir cette interprétation uniquement parce que le titre du fichier contient le mot « évolution ».
Les exports peuvent aussi mélanger des périodes closes et une période en cours. Comparer le mois entier précédent à dix jours du mois courant donne un résultat arithmétique exact, mais une comparaison fragile. Vérifiez les dates couvertes avant de chercher une explication commerciale.
Les lignes manquantes changent le groupe observé
Un tableau n’est pas forcément une image complète de l’activité. Il peut exclure les dossiers abandonnés, les agences qui n’ont pas transmis leurs données ou les commandes annulées. Une bonne performance parmi les dossiers clos ne décrit pas nécessairement l’ensemble des demandes reçues.
Recherchez les filtres appliqués lors de l’export. Comparez le nombre de lignes à celui attendu dans le système source, lorsque ce rapprochement est possible. Une absence de ligne ne vaut pas une valeur nulle, et une cellule vide ne dit pas spontanément si l’information manque ou si l’événement n’a pas eu lieu.
Les doublons posent le problème inverse. Une jointure entre clients et factures peut répéter un montant client autant de fois qu’il existe de factures. Avant de sommer, identifiez la clé qui distingue les objets et les répétitions normales.
La suppression automatique de doublons peut aussi retirer des événements légitimes si le mauvais identifiant est choisi.
Demander des hypothèses avant des causes
Une consigne utile peut être : « Décris ce que tu comprends des colonnes, signale les ambiguïtés et attends leur clarification avant d’analyser la tendance. » Vous obtenez ainsi une étape de contrôle explicite. Elle ne garantit pas que toutes les anomalies seront détectées, mais elle rend l’interprétation du tableau plus visible.
Une fois le sens confirmé, demandez les formules ou opérations utilisées. Refaites un calcul simple sur un petit groupe de lignes : total d’une période, nombre d’objets distincts ou dénominateur d’un taux. La possibilité de reproduire le calcul vaut davantage qu’une explication très assurée du résultat.
Évitez de demander immédiatement « pourquoi les ventes baissent ». La baisse doit d’abord être établie à périmètre comparable. Le tableau peut montrer une association sans contenir de quoi expliquer sa cause. Un changement de définition, de population ou de saisie peut produire une rupture apparente sans changement équivalent de l’activité.
Rendre les limites visibles dans le résultat
L’analyse finale doit rappeler la période, la population et l’unité. Si une colonne reste ambiguë ou qu’une agence manque, cette limite doit accompagner le graphique, pas rester dans la conversation initiale. Une image exportée circule souvent séparément des échanges qui l’ont produite.
Les principes d’évaluation des systèmes d’IA recommandent des contrôles adaptés à la tâche. Pour l’analyse de données, le premier contrôle est sémantique : savoir ce qui est mesuré. La précision des calculs et la qualité de la rédaction viennent ensuite.
Une tendance devient utilisable lorsque l’on peut dire sur quelles observations elle repose. Tant que « montant », « client » ou « date » restent indéfinis, la bonne sortie de l’IA est parfois une question, même si elle aurait pu dessiner une courbe immédiatement.
