Pas de seuils a definir. Pas de regles a maintenir. L'outil apprend ce qui est normal dans vos donnees et signale ce qui s'en ecarte.
Les regles statiques ne s'adaptent pas. Un seuil qui fonctionnait en janvier peut generer des dizaines de fausses alertes en decembre.
On fixe un seuil arbitraire. Les donnees evoluent, le seuil reste. Resultat : alertes en cascade sur des valeurs normales, ou silence sur de vraies anomalies.
Le modele calcule en temps reel la moyenne et la variance glissante. Il sait ce qui est normal pour cette donnee, a ce moment, dans ce contexte.
Branchez un fichier CSV ou un flux de donnees. L'outil tourne. Pas de parametrage initial, pas de maintenance de regles.
Visualisation des scores d'anomalie sur un flux de donnees fictives — comptabilite, capteurs, logs serveur.
| Date | Ligne | Valeur | Moy. glissante | Score | Statut |
|---|---|---|---|---|---|
| 25/09/2026 | virement_fournisseur | 48 200 € | 12 450 € | ANOMALIE | |
| 24/09/2026 | virement_fournisseur | 47 800 € | 12 450 € | ANOMALIE | |
| 18/09/2026 | achat_materiel | 8 900 € | 6 200 € | VIGILANCE | |
| 15/09/2026 | loyer_mensuel | 2 400 € | 2 380 € | NORMAL | |
| 10/09/2026 | salaires | 31 200 € | 31 050 € | NORMAL |
Quatre niveaux de detection qui se complementent, sans que l'utilisateur ait a choisir.
Chaque nouvelle donnee met a jour le modele sans rejouer l'historique. La fenetre glissante (Welford + CUSUM) s'adapte en continu.
La distance de Mahalanobis detecte les combinaisons anormales — une valeur correcte seule mais aberrante avec les autres variables.
La decomposition STL isole tendance, saisonnalite et residu. Une valeur elevee en decembre n'est pas une anomalie si c'est la norme chaque annee.
Detecte quand deux variables qui evoluaient ensemble se dissocient — signal d'un changement de comportement invisible variable par variable.
Visualisation interactive des scores dans le temps. Zoom, filtres par type d'anomalie, export des alertes en CSV.
Le modele appris est sauvegarde en base. Pas besoin de tout recalculer au prochain lancement.
Python, NumPy, SciPy. Algorithmes Welford (variance en ligne), CUSUM, Mahalanobis, STL (statsmodels).
Plotly / Dash. Dashboard interactif avec filtres temporels, zoom sur les alertes, histogrammes de distribution.
SQLite pour le stockage du modele et des alertes. Pandas pour l'ingestion CSV / Excel. Aucune dependance cloud.
