L'analyse qui construit la plateforme : Dites adieu au « Ticketing 2.0 » grâce aux agents dans le repo git

Le problème : La fausse promesse de la donnée parfaite et le piège du « Ticketing 2.0 »

Avec l'essor du conversational analytics et des couches sémantiques modernes, une idée reçue s'impose :

> L'équipe Data n'aurait plus qu'à fournir des données parfaitement modélisées, et le business n'aurait plus qu'à les consommer.

Dans les faits, c'est une illusion bureaucratisée:

• 80 % de la valeur exploratoire se cache dans les données brutes non encore modélisées ;
• Cantonner les métiers à un catalogue figé réinvente le goulot d'étranglement historique : le « Ticketing 2.0 » (des tickets Jira pour ajouter la moindre colonne à la couche sémantique).
• Pour contourner cette lourdeur lors des analyses approfondies (deep dives), les équipes créent du Shadow Data (exports CSV, transformations isolées), tuant la capitalisation des connaissances.

La solution : Le « Shift Left » de l'analyse dans le mono-repo

L'arrivée des agents IA d'ingénierie (comme Claude Code dans VSCode) fait s'effondrer la barrière technique de Git et de dbt pour les profils à vernis technique. Plutôt que d'isoler l'ingénierie et l'analyse, l'architecture moderne de 2026 repose sur la fusion de ces deux mondes : faire monter les analystes directement dans le dépôt dbt de la plateforme.

Ce que l'audience apprendra (REX & Retours du terrain) :

Dans ce talk basé sur des retours d'expérience concrets (d'organisations gérant plus de 150 analystes à des déploiements récents comme chez Optic 2000), nous aborderons :

1. L'anti-pattern du Ticketing 2.0 : Pourquoi la séparation étanche entre « curateurs » et « analystes » détruit la sérendipité et le momentum de l'analyse.
2. Le workflow « Deep Dive & Pipe » : Comment un analyste assisté par un agent IA peut naviguer dans les sources brutes, faire remonter de nouvelles dimensions et mettre à jour les modèles dbt sous-jacents au cours de l'exploration elle-même (l'analyse auto-construit la plateforme).
3. Mise en pratique opérationnelle : La construction de Skills IA spécialisés pour générer des analyses auditables en Markdown, mettre à jour la documentation du data portal et éliminer définitivement la logique fantôme.