Fintech Hackathon

Setup

uv sync

Générer les métriques

Place les CSV dans le dossier data/ :

• data/acme_jira_issues_mocked.csv
• data/acme_github_tokens.csv

Puis lance :

uv run python api/csv_extraction.py

Output : employee_metrics.jsonl (une ligne par employé × mois)

Générer le dashboard

Le POC front peut consommer directement :

python3 api/value_dashboard.py \
  --input employee_metrics.jsonl \
  --output outputs/VIEWMODEL.json

Le fichier généré contient :

• executive_summary : résumé financier et recommandation globale
• monthly_metrics : une liste de mois, avec name, tokens_used, story_points
• employee_metrics : snapshot par employé pour la vue détaillée, avec name, category, month, tokens_used, tokens_used_mt, estimated_ai_cost, story_points, tickets_resolved, time_to_completion_days, bugs_closed, lines_of_code, merge_requests, merge_requests_per_ticket, recommendation

Le but est de distinguer :

• forte consommation de tokens pour peu de story points
• consommation modérée de tokens avec forte livraison
• faible consommation de tokens et faible livraison
• forte consommation de tokens justifiée par une forte livraison

Si vous voulez enrichir le narratif avec OpenAI, remplissez cle.env localement avec OPENAI_API_KEY=.... Ce fichier est ignoré par Git. Sans clé, le script utilise des recommandations déterministes.

Données

Les deux CSV racontent une histoire : l'usage IA seul ne suffit pas, c'est le contexte qui compte.

acme_jira_issues_mocked.csv

1079 tickets résolus (oct 2024 – mar 2025) avec assignee, statut, story points, dates. Agrégés par employé × mois pour calculer :

• tickets_resolved : nombre de tickets fermés
• bugs_closed : bugs résolus (parmi les tickets)
• story_points : charge de travail complétée
• time_to_completion : durée moyenne de résolution

acme_github_tokens.csv

Métriques GitHub par employé × mois :

• merge_requests : PRs mergées
• lines_of_code : volume de code livré
• token_used : tokens Claude consommés

Profils types

Profil	Token/mois	Tickets	Interprétation
Lucas Bernard	115k–185k	16–24	Très bon + bcp IA → référence idéale
Théo Moreau	59k–90k	11–16	Moyen + bcp IA → progression visible
Remy Fontaine	33k–42k	11–14	Moyen + IA normale
Camille Rousseau	97k–178k	5–9	Mauvais + bcp IA → outlier clé
Jules Petit	2k–4k	7–9	Mauvais + peu IA

Le point clé : Camille brûle autant de tokens que Lucas mais avec 3× moins de résultats. Cela prouve que les tokens seuls ne suffisent pas — la productivité dépend du contexte (expérience, approche, qualité des requêtes).