📊 Dashboard Analytique — Dashaalia

Projet EPSI • B3 DEV IA Atelier : Coder avec l’IA Générative

---

🚀 1. Présentation du projet

Ce projet consiste à développer un dashboard analytique interactif permettant de visualiser, analyser et interpréter les données issues des sessions d’interprétariat médical de Dashaalia, une plateforme d’interprétariat augmentée par Intelligence Artificielle.

L’application propose :

• une analyse quantitative des sessions,
• des indicateurs métier (KPIs) clairs,
• des visualisations interactives,
• des filtres dynamiques globaux,
• une page “Insights IA” générant automatiquement des analyses textuelles simulant une IA générative.

🎯 L’objectif pédagogique est de démontrer la capacité à :

• concevoir une application de data analytics maintenable,
• exploiter un dataset réel de bout en bout,
• intégrer l’IA générative comme assistant de développement et d’analyse.

⚙️ Technologie utilisée : Python • Streamlit • Plotly 📁 Dataset : sessions_dataset_320.csv (320 lignes)

---

📂 2. Arborescence du projet

dashboard-analytics/
│
├── data/
│   └── sessions_dataset_320.csv
│
├── src/
│   ├── app.py                # Application principale Streamlit
│   ├── data_loader.py        # Chargement & nettoyage du dataset
│   ├── charts.py             # Fonctions de visualisation Plotly
│   ├── filters.py            # Gestion des filtres Streamlit
│   ├── utils.py              # Calculs, KPIs & Insights IA
│
├── assets/
│   └── logo.png              # Logo Dashaalia (optionnel)
│
├── tests/
│   └── test_data.py          # Tests unitaires sur les données (bonus)
│
├── README.md
├── requirements.txt
└── .gitignore

---

🧠 3. Fonctionnalités principales

🎯 A. KPIs (Indicateurs clés)

Les indicateurs sont calculés dynamiquement selon les filtres appliqués :

• Nombre total de sessions
• Durée moyenne des sessions (minutes)
• Score moyen de qualité (0–1)
• Pourcentage de segments audio non reconnus
• Ratio interactions patient / praticien

---

📈 B. Visualisations interactives

Toutes les visualisations utilisent Plotly, offrant :

• zoom,
• survol (hover),
• export d’images.

Visualisation	Description
Top des langues	Classement des langues les plus utilisées
Évolution des sessions	Série temporelle (jours / mois)
Répartition par service	Diagramme circulaire
Interactions patient/praticien	Scatter plot comparatif
Notes des praticiens	Histogrammes et statistiques
Segments non reconnus	Analyse qualité & détection visuelle

---

🎚️ C. Filtres globaux

Les filtres s’appliquent à l’ensemble de l’application :

• Plage de dates
• Service médical
• Langue
• Type de device (webapp / mobile)

Ils mettent automatiquement à jour :

• KPIs
• graphiques
• tableau de données
• export CSV
• page Insights IA

---

🧠 D. Page “Insights IA” (Analyse automatique)

Une page dédiée 🧠 Insights IA génère automatiquement des analyses textuelles à partir des données filtrées.

Exemples d’insights :

• langue la plus utilisée sur la période,
• service dominant,
• évolution des sessions (hausse / baisse),
• niveau de qualité global,
• alertes sur les segments non reconnus,
• équilibre des interactions patient / praticien.

📌 Ces insights sont produits via des règles analytiques simulant un raisonnement d’IA générative, illustrant l’usage de l’IA pour :

• interpréter des données,
• produire des conclusions lisibles métier,
• assister la prise de décision.

---

📄 E. Tableau & export

• Tableau interactif des données filtrées
• Tri et inspection des lignes
• Export CSV du dataset filtré

---

🧩 4. Fonctionnement des modules

🔹 app.py

• Point d’entrée Streamlit
• Gestion de la navigation (Dashboard / Insights IA)
• Application globale des filtres
• Affichage KPIs, graphiques, tableaux

🔹 data_loader.py

• Chargement CSV avec cache Streamlit

• Nettoyage des types et dates

• Création de colonnes dérivées :

  • year, month
  • ratio_interactions

🔹 charts.py

• Centralise toutes les visualisations Plotly
• Garantit une logique claire et réutilisable

🔹 filters.py

• Définit les filtres Streamlit
• Applique les conditions au dataframe
• Retourne le dataframe filtré unique (dff)

🔹 utils.py

• Calcul des KPIs
• Fonctions d’agrégation
• Génération des Insights IA automatiques

🔹 tests/test_data.py

• Tests unitaires (bonus) :

  • chargement du dataset
  • cohérence des colonnes
  • types de données
  • validité des dates

---

🛠️ 5. Installation & exécution

✔️ Prérequis

• Python 3.9+
• pip
• Streamlit

✔️ Installation

git clone https://github.com/.../dashboard-analytics.git
cd dashboard-analytics
pip install -r requirements.txt

▶️ Lancement

python -m streamlit run src/app.py

📍 Application accessible sur : 👉 http://localhost:8501

---

🧪 6. Dataset utilisé

Colonne	Description
session_id	Identifiant unique
date	Date de la session
service	Service médical
langue	Langue parlée
duree_minutes	Durée totale
interactions_patient	Interactions patient
interactions_praticien	Interactions praticien
interactions_totales	Total interactions
note_praticien	Note (0–5)
qualite_score	Score (0–1)
segments_non_reconnus	Segments audio non reconnus
device	webapp / mobile

---

🤖 7. Utilisation de l’IA Générative (élément clé du barème)

L’IA générative a été utilisée pour :

• concevoir l’architecture modulaire du projet
• générer et améliorer le code Python
• proposer les visualisations pertinentes
• corriger les erreurs (debug assisté)
• générer automatiquement les Insights IA
• rédiger la documentation et les tests unitaires

📸 Des captures d’écran des échanges avec l’IA doivent être intégrées dans le rapport (exigence du barème).

---

⭐ 8. Améliorations possibles

• Détection automatique d’anomalies
• Comparaison période N / N-1
• Alertes qualité
• Analyse prédictive
• Intégration future d’un vrai LLM (API)

---

📚 9. Auteurs

Projet réalisé dans le cadre du module « Coder avec l’IA Générative » — EPSI B3 DEV IA

👥 Équipe :

• Mansour Djamil NDIAYE
• Arsene Arayi Mbengue
• Mamadou Seck

👩‍🏫 Encadré par :

• Ghalloussi Samah