Guide pratique · E-commerce · SaaS · Finance · RH · Lecture : ~25 min Teste ton niveau sur modai-lab.com/test-sql/
Pourquoi ce guide existe
Tu as branché une IA sur ton warehouse. Claude, ChatGPT, un agent maison, peu importe. Tu lui poses une question simple : « Pourquoi le CA a chuté en février ? »
Elle te répond en 20 secondes, avec une requête SQL impeccable et une explication très convaincante : « Probablement un effet saisonnier post-fêtes. »
Sauf que non. Le 12 février, vous avez changé votre grille tarifaire. Le plan Starter est passé de 9 € à 12 €, et une partie des nouveaux clients a décroché. L'IA ne pouvait pas le savoir. Personne ne le lui a dit.
Le problème n'est pas le modèle. Les modèles écrivent du SQL syntaxiquement parfait. Le problème, c'est qu'ils arrivent dans ton entreprise comme un analyste brillant qu'on aurait lâché le premier jour sans onboarding :
Il ne sait pas quelle table est la bonne parmi
orders,orders_v2etorders_cleanIl ne sait pas que chez vous, un « client actif » c'est 30 jours et pas 90
Il ne sait pas que les comptes
@test.compolluent la tableusersIl ne sait pas ce qui s'est passé dans le business le mois dernier
Résultat : le SQL est juste, le chiffre est faux. Et c'est le pire scénario, parce que personne ne le voit.
La solution n'est pas un meilleur modèle. C'est une couche de contexte : quelques fichiers markdown, écrits par des humains, que l'IA lit avant de répondre.
Ce guide couvre :
Pourquoi une IA sans contexte se trompe (et pourquoi tu ne le vois pas)
Les 5 fichiers markdown à écrire, avec un modèle prêt à remplir pour chacun
Le dictionnaire des tables : grain, usage, tables interdites
Les définitions de métriques en texte : zéro ambiguïté
La timeline business : pour que l'IA explique un drop au lieu de l'inventer
Les règles de calcul critiques et les pièges connus
Le README qui dit à l'IA comment utiliser les 5 fichiers (sans lui, elle les lit mal)
Comment tester que ton contexte fonctionne vraiment
Un plan pour construire le kit en une semaine
🧪 Calibre ton niveau avant de commencer
Pour écrire un bon contexte, il faut toi-même savoir repérer quand une requête est fausse. Sais-tu identifier une jointure qui gonfle un CA, ou un AVG qui ignore silencieusement les NULL ? Fais le test en 5 minutes.
👉 Faire le test sur modai-lab.com/test-sql/
_Résultat en direct · Niveau calibré · Parcours personnalisé_
PARTIE 1 — Pourquoi ton IA se trompe sans que tu le voies
Le mécanisme
Quand tu poses une question à une IA connectée à ta base, voici ce qu'elle fait réellement :
Elle lit la liste des tables et des colonnes disponibles
Elle devine laquelle correspond à ta question, à partir des noms
Elle devine la définition de ton KPI, à partir du sens commun
Elle écrit une requête cohérente avec ses deux suppositions
Elle invente une explication plausible si le résultat est surprenant
Les étapes 2, 3 et 5 sont des suppositions. Elles sont souvent bonnes. Mais quand elles sont fausses, le résultat a exactement la même tête qu'un résultat juste : une requête propre, un chiffre précis, une phrase assurée.
Le cas typique : la mauvaise table
Les deux requêtes sont syntaxiquement parfaites. Une seule est juste. Ce qui fait la différence, ce n'est pas le SQL, c'est le contexte.
Les 5 fichiers du kit
Fichier | Question à laquelle il répond | Erreur qu'il évite |
|---|---|---|
| Quelle table utiliser, à quel grain ? | Mauvaise table, doublons de jointure |
| Que veut dire ce KPI chez nous ? | Définition « sens commun » au lieu de la tienne |
| Que s'est-il passé et quand ? | Explication inventée d'un drop ou d'un pic |
| Qu'est-ce qu'on exclut, toujours ? | Comptes de test, remboursements, devises |
| Où sont les mines ? | Colonnes cassées, historiques trompeurs |
Bonus : | Comment utiliser les 5 autres ? | Fichiers lus à moitié, règles oubliées |
Chaque fichier est un simple markdown. La partie 7 montre comment les brancher sur ton IA et lui dire dans quel ordre les lire. Le format compte moins que le contenu.
Comment lire les modèles. Pour illustrer, les exemples SQL passent d'un domaine à l'autre (e-commerce, SaaS, finance, RH) : le principe est le même partout. Les modèles, eux, sont remplis avec des exemples réalistes mais fictifs. Garde la structure, remplace tout le contenu par le tien. Un modèle recopié tel quel est pire que pas de modèle du tout : l'IA appliquerait des règles qui ne sont pas les tiennes.
PARTIE 2 — Le dictionnaire des tables
Ce que l'IA ne peut pas deviner
Les noms de tables mentent. orders_clean n'est pas forcément propre. customers et users sont peut-être deux choses différentes. fact_sales est peut-être dépréciée depuis 2024. L'IA, elle, va choisir sur le nom.
Le dictionnaire répond à trois questions pour chaque table importante :
Le grain : une ligne = quoi exactement ?
L'usage : pour quelles questions utiliser cette table ?
Le statut : table de référence, table technique, ou table à ne plus utiliser ?
Le grain est le point le plus important. C'est lui qui évite la jointure qui multiplie les lignes.
Ce dernier point est typiquement ce qui manque dans la tête d'une IA, et dans celle d'un junior : deux chiffres « de CA » peuvent être justes tous les deux et ne pas être égaux. Si l'écart n'est pas documenté, quelqu'un passera une après-midi à le chercher. Ou pire, l'IA « corrigera » l'un pour qu'il colle à l'autre.
📘 Modèle : `dictionnaire_tables.md`
Cas business : le dictionnaire minimal d'un SaaS
Tu n'as pas besoin de documenter 200 tables. Commence par les 5 à 10 tables qui répondent à 80 % des questions. Pour un SaaS typique :
Table | Grain | Usage principal |
|---|---|---|
| 1 ligne = 1 abonnement (historique complet) | MRR, churn, upgrades |
| 1 ligne = 1 abonnement, état actuel | Photo du jour, MRR actuel |
| 1 ligne = 1 facture | Revenu encaissé, impayés |
| 1 ligne = 1 action utilisateur | Activation, usage produit |
| 1 ligne = 1 entreprise cliente | Segmentation, taille client |
La ligne subscriptions vs subscriptions_current vaut à elle seule une demi-journée de debug évitée. Sans elle, l'IA prend la table historique et compte chaque abonné autant de fois qu'il a changé de plan.
🧪 Entraîne-toi à lire le grain d'une table
Sur Modai Lab, les exercices sont construits sur des schémas multi-tables réalistes, où le piège de la jointure qui gonfle les montants est volontairement présent. C'est en le rencontrant que tu apprends à le documenter.
_Schémas réalistes · Pièges de grain · Correction détaillée_
PARTIE 3 — Les définitions de métriques en texte
Le problème du « sens commun »
Demande à 5 personnes de ton entreprise ce qu'est un « client actif ». Tu auras 5 réponses :
Le marketing : quelqu'un qui a ouvert un email ce mois-ci
Le produit : quelqu'un qui s'est connecté dans les 30 derniers jours
La finance : quelqu'un qui a payé quelque chose ce mois-ci
Le support : quelqu'un qui a un abonnement non résilié
L'IA : ce qui lui semble le plus probable vu les colonnes disponibles
Si ta définition officielle n'est écrite nulle part, l'IA choisit. Et elle ne choisira pas forcément la même chose deux fois de suite.
L'objectif d'une définition écrite : deux personnes qui posent la même question doivent obtenir le même chiffre. Avec ou sans IA.
Remarque bien : même cette version « propre » repose sur une hypothèse. Si chez toi un changement de plan crée un nouveau subscription_id, un client qui passe de Pro à Business sera compté comme churné. Ce genre de détail n'est dans aucune colonne. Il doit être écrit dans la définition, sinon l'IA (et ton collègue) se trompera en silence.
📏 Modèle : `definitions_metriques.md`
Les 3 éléments qui rendent une définition utilisable par une IA
La phrase métier : ce que ça veut dire, en français, sans SQL
L'ancrage technique : quelle table, quelle colonne, quel filtre
Le « ce que ce n'est PAS » : la confusion la plus fréquente, nommée explicitement
Le troisième point est le plus sous-estimé. L'IA, comme un junior, va spontanément vers l'interprétation la plus évidente. Nommer la mauvaise interprétation l'empêche d'y aller.
🧪 Vérifie que tu sais traduire une définition en SQL
Écrire « churn mensuel = abonnés payants au 1er du mois qui ne le sont plus au 1er du mois suivant », c'est facile. Le traduire en requête juste, avec un historique d'abonnements, c'est une autre affaire. Le test te dit où tu en es.
👉 Faire le test sur modai-lab.com/test-sql/
_5 minutes · Niveau calibré · Points faibles identifiés_
PARTIE 4 — La timeline business
Le fichier que presque personne n'écrit
C'est le fichier le plus rentable du kit, et le plus rare.
Ton warehouse contient les conséquences de ce qui s'est passé : une baisse de commandes, un pic d'inscriptions, un panier moyen qui bondit. Il ne contient jamais les causes : le changement de prix, la campagne TV, la panne du moyen de paiement, le concurrent qui a lancé une promo.
Quand tu demandes à l'IA « pourquoi ? », elle n'a que les conséquences. Alors elle fait ce qu'un humain ferait sans information : elle invente une explication plausible. Saisonnalité, effet météo, « tendance de fond ».
La timeline business lui donne les causes.
Attention au piège inverse. La timeline donne une hypothèse prioritaire, pas une preuve. Un événement qui tombe au bon moment n'est pas forcément la cause : une campagne a peut-être pris fin le même jour. Ce que tu attends d'une IA bien briefée, c'est une phrase du type « la hausse de prix du 12 février est la cause la plus probable : la baisse touche uniquement le plan concerné, et commence le jour du changement ». Une cause, et les éléments qui la soutiennent. Pas une certitude.
C'est pour ça que la règle en tête du modèle ci-dessous demande de tester l'hypothèse, et pas seulement de la citer.
📅 Modèle : `timeline_business.md`
Pourquoi une date de fin et un périmètre
Une campagne de septembre crée un pic en septembre… et souvent un creux en octobre, parce qu'elle a avancé des achats. Sans date de fin, l'IA ne fait pas le lien entre le creux d'octobre et la campagne. Et sans périmètre (« nouveaux clients uniquement »), elle ne peut pas vérifier que la variation touche le bon segment, ce qui est justement la façon de confirmer ou d'écarter l'hypothèse.
La catégorie la plus importante : « Tracking »
Une baisse de 30 % des sessions peut venir d'un vrai problème business… ou d'un tag analytics cassé pendant une semaine. Les événements de tracking sont ceux qui piègent le plus, humains comme IA, parce qu'ils produisent des variations qui ressemblent à des comportements clients.
Règle simple : chaque fois qu'un développeur touche au tracking, une ligne dans la timeline.
Comment construire la timeline en 30 minutes
Ouvre le calendrier de l'année passée et les annonces internes (Slack, newsletters)
Liste tous les changements de prix et de plans (demande à la finance ou au produit)
Liste les grosses campagnes marketing (demande au marketing leur planning)
Liste les incidents connus (cherche « incident » ou « panne » dans Slack)
Demande à l'équipe data : « quelles variations bizarres a-t-on déjà dû expliquer ? »
Tu n'auras pas tout. Ce n'est pas grave. 15 lignes bien choisies valent mieux que rien du tout.
🧪 Apprends à décomposer un drop avant de l'expliquer
Avant de chercher la cause, il faut savoir isoler où la baisse se produit : quel segment, quel plan, quelle semaine. C'est exactement ce que travaillent les cas business de Modai Lab, à partir de vraies questions de manager.
_Cas business réels · Datasets réalistes · Correction par l'IA_
PARTIE 5 — Les règles de calcul critiques
Ce qu'on exclut toujours, et que l'IA ne sait pas
Chaque entreprise a ses règles invisibles. Ce sont celles que les analystes seniors appliquent sans y penser, et que les nouveaux découvrent en se faisant reprendre en réunion :
Les comptes de test et les comptes internes
Les commandes remboursées (ou pas, selon le KPI)
Les montants en devises étrangères
Les transactions dupliquées par un bug connu
Les clients B2B qui faussent les moyennes B2C
Une IA sans ces règles fait exactement comme un nouvel arrivant : elle prend toutes les lignes.
Deux détails de cette requête valent un paragraphe chacun, parce que ce sont exactement ceux qu'une IA rate :
Le
LEFT JOINsur les taux de change. Avec unJOINclassique, toutes les transactions en euros disparaissent sifx_ratesne contient pas de ligne EUR → EUR. Le résultat paraît normal, mais il est calculé sur 8 % des lignes.Le filtre de date appliqué après la conversion en heure de Paris. Filtrer sur
created_aten UTC ferait entrer les virements du 30 septembre entre 22h et minuit (heure de Paris) dans le mois d'octobre.
Aucun de ces deux points n'est une erreur de syntaxe. Ce sont des règles. Si elles ne sont écrites nulle part, personne ne les applique.
⚙️ Modèle : `regles_calcul.md`
Numérote tes règles
C'est un détail qui change tout. Quand chaque règle a un identifiant (R1, R2…), tu peux demander à l'IA de citer les règles qu'elle a appliquées dans sa réponse. Si une règle attendue n'apparaît pas, tu le vois immédiatement, sans relire tout le SQL.
🧪 Repère les exclusions oubliées
Les pièges de filtres (NULL qui disparaissent, comptes de test, devises mélangées) sont exactement ceux qui passent sous le radar en entretien comme en production. Mesure ta capacité à les détecter.
👉 Faire le test sur modai-lab.com/test-sql/
_Niveau par compétence · Recommandations ciblées · Gratuit_
PARTIE 6 — Les pièges connus
La mémoire des erreurs passées
Ce fichier, c'est la mémoire collective de ton équipe data. Toutes les fois où quelqu'un a dit « ah oui, cette colonne, il ne faut pas l'utiliser ». Toutes les « bizarreries connues » qui ne sont écrites nulle part et qui disparaissent quand un analyste quitte l'équipe.
Différence avec les règles de calcul : une règle s'applique tout le temps. Un piège est une situation spécifique où il faut faire attention.
⚠️ Modèle : `pieges_connus.md`
La règle d'or
À chaque fois qu'un chiffre faux a été présenté en réunion, ou corrigé après coup, une ligne s'ajoute à ce fichier. En six mois, c'est le document le plus précieux de ton équipe. Pour les humains comme pour l'IA.
🧪 Travaille sur des données qui ont des défauts
Les vrais datasets ont des colonnes cassées, des historiques trompeurs et des doublons datés. Sur Modai Lab, les exercices en contiennent volontairement, pour que tu apprennes à les repérer avant qu'ils ne finissent dans un comité.
_Pièges réels · Explications de senior · Progression mesurée_
PARTIE 7 — Brancher le kit : le README pour l'IA
5 fichiers, mais aucune consigne
Tu as écrit tes 5 fichiers. Tu les donnes à ton IA. Et elle les utilise… à moitié. Elle lit le dictionnaire, mais oublie de vérifier la timeline avant d'expliquer un drop. Elle applique R1, mais pas R4. Elle invente une définition au lieu de dire qu'elle n'en a pas.
C'est normal : tu lui as donné des informations, pas une méthode. Le sixième fichier, court, lui dit comment se servir des cinq autres. C'est le chef d'orchestre du kit.
🧭 Modèle : `README_contexte.md`
Où mettre le kit, concrètement
Ton outil | Où mettre les fichiers |
|---|---|
Claude (claude.ai) | Les 6 fichiers dans les connaissances d'un Projet dédié à l'analyse |
Claude Code ou un agent qui lit un dossier | Un dossier |
dbt | Les définitions et le dictionnaire dans les |
Un agent maison | Le README en prompt système, les 5 fichiers chargés dans le contexte |
Quel que soit l'outil, une règle : une seule source de vérité. Si la définition du CA existe dans dbt ET dans un fichier markdown, elles finiront par diverger. Choisis un endroit, et fais pointer les autres vers lui.
PARTIE 8 — Tester que ton contexte fonctionne vraiment
Le pouce levé ne vaut rien
Le réflexe classique pour évaluer une IA data : demander aux utilisateurs si la réponse leur convient. Problème : l'utilisateur qui pose la question ne connaît pas la réponse. S'il la connaissait, il ne la poserait pas. Une réponse fausse mais bien formulée récolte un pouce levé.
La seule façon fiable de tester ta couche de contexte : un jeu de questions dont tu connais déjà la réponse.
Le jeu de questions de référence
Construis une liste de 10 à 20 questions, avec pour chacune :
La question, formulée comme un utilisateur la poserait
Le chiffre attendu (calculé par un humain, validé)
La table qui doit être utilisée
Les règles qui doivent être appliquées
Comment remplir `valeur_obtenue` sans y passer ta journée
Pas besoin d'outillage au début. Une fois par semaine, ou après chaque modification du kit :
Ouvre une nouvelle conversation avec ton IA et ses fichiers de contexte
Pose les 10 questions, une par une, telles qu'un utilisateur les poserait
Demande-lui de terminer chaque réponse par une ligne fixe :
RESULTAT: [valeur] | TABLE: [table principale] | REGLES: [R1, R3…]Reporte ces lignes dans la table (ou dans un Google Sheet, ça marche aussi)
Pose chaque question deux fois, dans deux conversations différentes. Une IA peut répondre juste une fois et faux la suivante. Si les deux réponses diffèrent, c'est le signe d'une définition encore ambiguë, même si l'une des deux est bonne.
Quand tu auras 20 questions et que tu relances le test chaque semaine, automatise-le avec l'API de ton IA. Pas avant : l'important, c'est d'avoir le jeu de questions, pas le script.
Pourquoi vérifier la table, pas seulement le chiffre
Une IA peut tomber sur le bon chiffre par hasard, en passant par le mauvais chemin. Le mois suivant, avec d'autres données, le hasard ne jouera plus. Vérifier où elle va chercher la réponse est aussi important que vérifier ce qu'elle répond.
Les questions à mettre dans ton jeu de tests
Type de question | Exemple | Ce qu'elle teste |
|---|---|---|
KPI de base | « CA du mois dernier » | Définition + règles d'exclusion |
Métrique ambiguë | « Combien de clients actifs ? » | Définition écrite vs sens commun |
Jointure à risque | « CA par catégorie » | Dictionnaire + grain |
Question historique | « Effectif moyen en 2025 » | Pièges connus (photo vs historique) |
Explication de variation | « Pourquoi le drop de février ? » | Timeline business |
Question sans réponse | « Pourquoi le pic du 3 août ? » (rien dans la timeline) | L'IA admet-elle ne pas savoir ? |
La dernière ligne est la plus révélatrice. Une IA bien contextualisée doit répondre « aucun événement connu ne correspond à cette date, voici les hypothèses à vérifier », et pas inventer une cause.
PARTIE 9 — Les erreurs classiques en construisant son contexte
Erreur 1 : vouloir tout documenter avant de commencer
❌ Le junior lance un grand chantier « documenter les 300 tables du warehouse ». Trois semaines plus tard, 40 tables sont documentées, le projet s'essouffle, rien n'est utilisé.
✅ Le senior liste les 20 questions les plus posées à l'équipe data, identifie les 8 tables qui y répondent, et documente celles-là en une journée. Il étend ensuite selon les erreurs rencontrées.
Erreur 2 : écrire du SQL à la place des définitions
❌ Le junior met la requête de référence comme seule définition du KPI. L'IA copie la requête, mais ne comprend pas l'intention. Dès que la question change un peu (« churn sur les clients Pro uniquement »), elle ne sait plus adapter.
✅ Le senior écrit d'abord la phrase métier, puis l'ancrage technique, puis la requête de référence en lien. L'IA comprend le pourquoi et peut adapter à une variante.
Erreur 3 : laisser le contexte vieillir
❌ Le junior écrit les fichiers une fois et n'y touche plus. Six mois plus tard, une table a été dépréciée, deux prix ont changé, et l'IA applique des règles fausses avec une confiance totale. Un contexte obsolète est pire que pas de contexte : il donne une fausse légitimité.
✅ Le senior met une date de mise à jour en haut de chaque fichier, un responsable par fichier, et un rituel : 15 minutes par semaine pour ajouter les nouveaux événements à la timeline et les nouveaux pièges rencontrés.
Erreur 4 : un contexte que seuls les techniques peuvent modifier
❌ Le junior met tout dans un repo Git. Le marketing qui lance une campagne, la finance qui change un prix, le produit qui retire une fonctionnalité : aucun ne sait ouvrir une pull request. La timeline business reste vide.
✅ Le senior met la timeline business dans un outil que tout le monde utilise (une page Notion, un Google Doc, un canal Slack dédié), avec une synchronisation vers l'IA. L'équipe data porte la plateforme, mais le contenu métier appartient aux métiers.
Erreur 5 : croire que le contexte remplace la vérification
❌ Le junior a écrit ses 5 fichiers et considère que l'IA est désormais fiable. Il copie les chiffres sans les relire.
✅ Le senior sait que le contexte réduit les erreurs, il ne les supprime pas. Il garde ses réflexes : vérifier le grain, comparer à un ordre de grandeur connu, relire les filtres. Le kit rend l'IA meilleure. Il ne te dispense pas de savoir lire son SQL.
Erreur 6 : mettre n'importe quoi dans le contexte
❌ Le junior colle dans ses fichiers des extraits de données clients pour « donner des exemples » à l'IA : des emails, des noms, des montants réels. Le fichier de contexte se retrouve partagé dans un outil externe, avec des données personnelles dedans.
✅ Le senior ne met dans le contexte que de la structure et des règles : noms de tables, définitions, événements, pièges. Jamais de données clients, jamais d'identifiants, jamais de mots de passe ou de clés d'accès. Et il vérifie avec son équipe sécurité ou son DPO quels outils IA ont le droit de recevoir des informations internes (une timeline de pricing, par exemple, peut être confidentielle).
🧪 Garde la compétence qui rend tout ça possible
Écrire un bon contexte et vérifier ce que l'IA produit, ça demande la même chose : savoir lire et challenger une requête SQL. C'est le socle que tu travailles sur Modai Lab, sur des cas métiers réalistes.
👉 Faire le test sur modai-lab.com/test-sql/
_Mesure ta progression · Repère tes lacunes · Prépare tes entretiens_
Plan d'action : ton kit en 5 jours
Jour | Fichier | Temps | Livrable minimal |
|---|---|---|---|
Lundi |
| 1 h | Les 8 tables qui répondent à 80 % des questions |
Mardi |
| 1 h | Les 5 KPI les plus demandés, avec « ce que ce n'est PAS » |
Mercredi |
| 30 min | 15 événements des 12 derniers mois |
Jeudi |
| 1 h | 5 règles numérotées, 5 pièges |
Vendredi |
| 1 h 30 | Le mode d'emploi pour l'IA, 10 questions avec réponse attendue, premier passage |
Cinq heures de travail. C'est moins que le temps perdu sur un seul chiffre faux présenté en comité.
Prompt Claude pour auditer tes requêtes (et ton contexte)
Copie-colle ce prompt dans Claude, puis colle tes fichiers de contexte, ta question et la requête produite par l'IA en dessous.
Récapitulatif
Fichier | Contenu clé | Ce qu'il évite | Mise à jour |
|---|---|---|---|
| Grain, usage, statut de chaque table | Mauvaise table, jointure qui gonfle | À chaque nouvelle table ou dépréciation |
| Phrase métier + ancrage technique + « ce que ce n'est PAS » | KPI calculé au « sens commun » | À chaque nouveau KPI ou changement de définition |
| Début → fin · catégorie · événement · périmètre · impact | Explication inventée d'une variation | Chaque semaine |
| Exclusions numérotées (R1, R2…) | Comptes de test, devises, fuseaux, flux internes | À chaque nouvelle règle |
| Symptôme · cause · ce qu'il faut faire (P1, P2…) | Colonnes cassées, photos vs historiques | Après chaque chiffre faux corrigé |
| Ordre de lecture, obligations, interdits | Fichiers lus à moitié, définitions inventées | Quand un nouveau fichier s'ajoute |
Jeu de tests | 10-20 questions avec réponse attendue | Dérive silencieuse du contexte | Relancé après chaque modification |
✅ Checklist context layer
☐ J'ai listé les 20 questions les plus posées à l'équipe data
☐ J'ai documenté les tables qui y répondent, avec leur grain
☐ J'ai marqué les tables dépréciées et les tables « photo » à ne pas utiliser pour l'historique
☐ Mes 5 KPI principaux ont une définition en français, pas seulement une requête
☐ Chaque définition a un « ce que ce n'est PAS »
☐ Ma timeline business contient les changements de prix, campagnes et incidents des 12 derniers mois
☐ Les changements de tracking sont dans la timeline
☐ Mes règles de calcul sont numérotées (R1, R2…)
☐ Les comptes de test, devises et flux internes sont couverts par une règle
☐ Mon fichier de pièges connus contient au moins 5 entrées
☐ J'ai remplacé tout le contenu des modèles par mes propres tables, règles et événements
☐ Mon README dit à l'IA dans quel ordre lire les fichiers et quoi citer dans ses réponses
☐ Chaque définition n'existe qu'à un seul endroit (une seule source de vérité)
☐ Chaque fichier a une date de mise à jour et un responsable
☐ Les métiers peuvent alimenter la timeline sans passer par l'équipe data
☐ Aucune donnée client, aucun identifiant ni aucune clé d'accès dans mes fichiers
☐ J'ai un jeu de 10 questions avec réponse attendue, et je vérifie la table utilisée
☐ Je pose chaque question de test deux fois pour repérer les réponses instables
☐ Je continue à relire le SQL produit par l'IA, contexte ou pas
🚀 Une IA bien briefée, un analyste qui sait vérifier
Le kit rend ton IA bien meilleure. Mais pour écrire un bon contexte et repérer ce qui cloche dans une requête, il faut d'abord maîtriser le SQL. Mesure ton niveau, puis entraîne-toi sur les cas business que tu retrouveras en poste.
👉 modai-lab.com/test-sql/ — Exercices calibrés · Cas business réels · Feedback senior
_Guide offert suite au post LinkedIn · Entraînez-vous sur modai-lab.com/test-sql/ · Partagez librement ♻️_