# Data SL Consulting : fiches technologiques

> Section Technologies de https://data-slconsulting.com/llms.txt. Une fiche par outil ou méthode, rédigée à partir des missions du cabinet : ce que fait l’outil, quand il est pertinent, quand il ne l’est pas, et les pièges rencontrés. Page de la section : https://data-slconsulting.com/technologies/

## Fiches
Chaque fiche indique ce que l'outil fait, quand il est pertinent et quand il ne l'est pas, avec les pièges rencontrés en mission.
- [Microsoft Fabric](https://data-slconsulting.com/microsoft-fabric/) : OneLake et stockage unique en Delta Parquet, raccourcis vers des données externes sans copie, Direct Lake (lecture des fichiers Delta par Power BI sans import ni DirectQuery), facturation par capacité réservée avec mise en pause possible. Déconseillé quand un entrepôt Snowflake ou BigQuery fonctionne déjà.
- [MCP, Model Context Protocol](https://data-slconsulting.com/mcp/) : norme ouverte publiée par Anthropic fin 2024 pour brancher un assistant IA sur des outils métier. Expose des outils, des ressources et des invites. Transport local par entrée-sortie standard, ou distant en HTTP streamable avec authentification OAuth 2.1 (la variante SSE est dépréciée). Quatre décisions de gouvernance à trancher avant installation : lecture seule ou écriture, accès nominatif ou jeton partagé, pseudonymisation des identités avant transmission au modèle, journalisation des appels.
- [Serveur MCP sur mesure : Pennylane, Silae, OpenPaye](https://data-slconsulting.com/mcp-pennylane-silae-openpaye/) : offre. Un seul serveur MCP exposant la comptabilité Pennylane et la paie Silae ou OpenPaye, les trois connecteurs fonctionnant sur des données réelles. Répond aux questions qui croisent compta et paie, que le connecteur officiel Pennylane ne couvre pas. Périmètre défini dossier par dossier, lecture seule par défaut, journalisation intégrale, hébergement chez le client ou chez nous au choix. Pour cabinets d'expertise comptable, PME et ETI.
- [n8n](https://data-slconsulting.com/n8n/) : automatisation de flux auto-hébergeable, facturée à l'exécution de flux et non à l'opération, ce qui change tout sur les traitements de masse. Licence fair-code, pas open source au sens OSI. Briques IA intégrées et étape de code JavaScript ou Python.
- [Power Automate](https://data-slconsulting.com/power-automate/) : flux cloud, flux de bureau (automatisation robotisée) et flux de processus métier. Point de vigilance principal : dès qu'un flux appelle une API extérieure il bascule sur un connecteur premium et exige une licence supplémentaire. Limitations de débit sur les traitements volumineux, et un flux créé par un collaborateur s'arrête à son départ.
- [Azure Data Factory](https://data-slconsulting.com/azure-data-factory/) : ingestion et orchestration. Le runtime d'intégration auto-hébergé est la seule façon propre de lire une base sur site derrière un pare-feu sans ouvrir de port entrant. La facture dérape surtout par les flux de données de mappage, facturés au temps de calcul Spark, temps de démarrage du cluster compris.
- [Dagster](https://data-slconsulting.com/dagster/) : orchestration orientée actifs de données plutôt que tâches. Traçabilité native, recalcul ciblé, partitions pour reprendre une seule période. Intégration dbt native, chaque modèle devenant un actif suivi individuellement. Airflow reste préférable quand l'orchestration dépasse la donnée.
- [Snowflake](https://data-slconsulting.com/snowflake/) : stockage et calcul séparés ; les entrepôts virtuels se demarrent et se dimensionnent independamment, deux charges lisent la même donnée sans se gener. Facturation du calcul a la seconde, minimum d'une minute par démarrage : la premiere cause de facture inexpliquee est un entrepôt laisse allume sans délai de suspension. Chaque palier de taille double la consommation horaire. Micro-partitions automatiques, voyage dans le temps, clonage sans copie, partage de données sans export.
- [Databricks](https://data-slconsulting.com/databricks/) : lakehouse, journal de transactions sur fichiers ouverts, format non prisonnier de l'outil, catalogue de gouvernance a installer en premier. Deux factures (unités de traitement Databricks + machines du cloud). Erreur la plus couteuse : executer les traitements planifies sur des grappes interactives au lieu du calcul dedie a la tâche. Suppose du Python dans l'équipe ; un carnet n'est pas un traitement de production.
- [BigQuery](https://data-slconsulting.com/bigquery/) : entrepôt sans serveur, rien a dimensionner, mais on paie ce que chaque requête lit. Stockage en colonnes, donc l'etoile après select lit la table entiere. Partitionnement par date, filtre de partition obligatoire, estimation a blanc, plafond de volume facture par requête et quotas journaliers. Porte d'entrée frequente : l'export natif de Google Analytics, aux tables imbriquees et quotidiennes.
- [dbt](https://data-slconsulting.com/dbt/) : couche de transformation. Un modèle est un SELECT que dbt materialise en vue, table, table incrementale ou CTE ; ref() construit le graphe de dépendances et fixe l'ordre d'exécution. Quatre tests generiques (unique, not_null, accepted_values, relationships), des tests SQL sur mesure et un contrôle de fraîcheur des sources. dbt ne deplace pas les données (T de l'ELT seulement) et n'orchestre rien au-delà de son graphe. Rentable autour de trente modèles.
- [Apache Airflow](https://data-slconsulting.com/airflow/) : orchestrateur le plus repandu, imbattable sur les chaines hétérogènes et le rejeu d'historique période par période. Trois erreurs recurrentes : données volumineuses passees par le mecanisme d'echange entre tâches, code coûteux place au niveau du fichier de definition relu en boucle par le planificateur, et decalage d'un jour parce qu'une exécution porte la date de la période traitee et se déclenche a sa fin. Base de metadonnees jamais purgee = ralentissement. Gratuit, mais l'exploitation coûte une demi-journee par semaine : l'offre managee est souvent plus honnete pour une PME.
- [Power BI](https://data-slconsulting.com/power-bi/) : licences Gratuit, Pro, Premium par utilisateur et capacité Fabric ; modèle sémantique en etoile avec table de dates dediee ; trois modes de connexion (import, DirectQuery, mode direct sur lac de données) qui décident des performances bien avant les mesures DAX.
- [Tableau](https://data-slconsulting.com/tableau/) : analyse visuelle par glisser-déposer. Le choix connexion directe / extrait décide des performances : extrait par défaut, direct seulement si la fraîcheur a la minute est un besoin démontré. Trois niveaux de licence, et l'erreur repandue d'attribuer le plus cher a tout le monde. Au bout de deux ans, le sujet devient la gouvernance : sources certifiees et calculs remontes en amont.
- [Looker Studio](https://data-slconsulting.com/looker-studio/) : gratuit, et a ne pas confondre avec Looker, produit d'entreprise a couche sémantique. Pas de moteur de données : la rapidite du rapport est celle de la source, d'ou les factures BigQuery inattendues quand on branche des tables brutes. Connecteurs non Google souvent payants et edites par des tiers. Ni versions, ni recette, ni couche sémantique. Excellent pour l'acquisition en ligne et le reporting client.
- [Qlik Sense](https://data-slconsulting.com/qlik-sense/) : moteur associatif, seul outil a rendre visible ce qui n'est PAS associe a la selection (les produits jamais vendus, les clients sans commande). Justifie son prix quand l'absence est un signal métier : contrôle interne, fraude, couverture commerciale, qualité, conformité. Suppose le script de chargement et la syntaxe d'ensembles, deux compétences non transferables. Modèle entièrement en mémoire.
- [Metabase](https://data-slconsulting.com/metabase/) : decisionnel a code ouvert, auto-hébergeable, sans facturation au poste. Erreur d'installation la plus repandue : le brancher sur la base de production. Pas de moteur en mémoire ni de langage de calcul comparable au DAX : les cumuls glissants et comparaisons a date equivalente se calculent en amont avec dbt.
- [Fivetran](https://data-slconsulting.com/fivetran/) : connecteurs manages, extraction et chargement sans transformation. Facture aux lignes distinctes modifiees dans le mois, pas au volume. Trois causes de dérive : sources qui renvoient la table entiere, frequence reglee uniformement, resynchronisations complètes. Mesurer un mois réel plutôt qu'estimer.
- [Talend](https://data-slconsulting.com/talend/) : la version libre n'est plus maintenue depuis début 2024 (rachat par Qlik en 2023). Les traitements tournent toujours mais sans correctifs de sécurité ni nouveaux connecteurs. Ils sont compiles en Java, donc la logique métier reste lisible et recuperable : une migration ne repart pas d'une page blanche. Trois options : payer les offres commerciales, basculer vers dbt + Airflow, ou reprendre au cas par cas.
- [Python](https://data-slconsulting.com/python/) : langage et non produit. Irremplacable pour le connecteur que personne ne vend, la transformation que SQL exprime mal et l'apprentissage automatique. Coûteux quand il remplace des transformations SQL, un ordonnanceur ou un outil de restitution. Un script devient un logiciel des que quelqu'un d'autre que son auteur depend du résultat : environnement reproductible, secrets hors du code, relance sans duplication.
- [Azure Synapse](https://data-slconsulting.com/azure-synapse/) : trois moteurs sous un nom, avec trois facturations. L'entrepôt dedie facture tant qu'il n'est pas mis en pause et produit la quasi-totalite des factures inattendues ; le SQL sans serveur facture au volume lu ; Spark au temps de calcul. Pour un projet neuf sur Azure, examiner Fabric d'abord, sans migrer dans l'urgence une plateforme qui fonctionne.
- [Snowflake ou Databricks](https://data-slconsulting.com/snowflake-vs-databricks/) : comparatif. Les fonctionnalités ne départagent plus les deux plateformes. Quatre critères tranchent encore : le profil des équipes (SQL contre Python et Spark), la nature des données (tabulaires contre images, son, documents, très gros volumes), les causes de dérive de facture (multiplication des entrepôts virtuels d'un côté, clusters interactifs oubliés de l'autre), et l'écosystème existant. Sur une stack Microsoft, examiner Fabric avant de trancher.

## Index complet
- [llms.txt de Data SL Consulting](https://data-slconsulting.com/llms.txt) : index de tout le site.
- [llms-full.txt](https://data-slconsulting.com/llms-full.txt) : version longue.