📊 DataChat
V1 terminée · bêta privéeUn analyste data autonome pour founders SaaS. Branchez Stripe, HubSpot ou un CSV : l'agent profile vos données, formule des hypothèses, les teste une par une avec du code Python, et ne livre que ce qui est prouvé. Sans prompt, sans SQL.
Un founder SaaS early-stage a ses données dans Stripe et son CRM, mais pas d'analyste. Résultat : des décisions au feeling, ou un freelance à 400€/jour pour sortir trois graphiques.
Le vrai défi technique n'est pas de brancher un LLM sur des données — c'est d'empêcher qu'il raconte n'importe quoi. Chaque hypothèse de DataChat est validée par du code Python exécuté sur les vraies données. Si le test ne passe pas, l'insight n'existe pas. C'est le réflexe maths : on ne garde que ce qui est prouvé.
L'agent cartographie le dataset : schéma, qualité, signaux.
15 à 20 pistes générées — churn, pricing, cohortes, saisonnalité…
Chaque piste testée par du code Python sur les vraies données.
Top 5–7 insights prouvés, rédigés en français actionnable.
F·01Validation par le code
Zéro hallucination par design : un insight n'est publié que si le code qui le teste passe. Le LLM propose, Python dispose.
F·02Clean Architecture
Domain, use cases et infra séparés. Chaque agent = un appel LLM + un prompt versionné + des I/O Pydantic typées. Remplaçable, testable, traçable.
F·03Testé sans réseau
LLM mocké pour les tests, lint + typecheck (ruff, mypy, tsc), smoke test E2E. Le pipeline tourne sans clé API.
F·04Zéro config côté user
Pas de prompt à écrire, pas de SQL à connaître. On branche une source, on reçoit un rapport.