Tableurs & analyse de données

Le tableur, ce collègue mal-aimé

Dans le cabinet de Marc, les tableurs sont partout : suivi des honoraires, exports du logiciel de facturation, relevés bancaires des clients, pointage des pièces manquantes. Et presque personne ne les maîtrise vraiment. Résultat : des heures passées à recopier, trier à la main, et un sentiment diffus de « je sais que la réponse est dans ce fichier, mais je ne sais pas la faire sortir ».

La bonne nouvelle de ce chapitre : tu n'as plus besoin d'apprendre les formules pour faire parler tes données. Les tableaux croisés dynamiques, les RECHERCHEV et autres formules intimidantes deviennent optionnels — tu décris ce que tu veux savoir en français, et le calcul est fait pour toi, avec l'explication du raisonnement. Cette explication est capitale : elle te permet de vérifier la logique sans refaire le calcul.

Une précision honnête avant de commencer : déléguer le calcul ne veut pas dire déléguer la responsabilité du chiffre. Tout ce chapitre repose sur un partage clair des rôles — l'IA calcule, trie et nettoie ; toi, tu vérifies un échantillon et tu valides l'interprétation. Sur des données financières, ce garde-fou n'est pas négociable.

Poser des questions à tes données

Importe un export (CSV, tableur) et pose des questions normales : « quels sont mes 10 plus gros clients ? », « quelle est l'évolution du chiffre par trimestre ? ». Claude calcule et explique le raisonnement. Tu peux enchaîner les questions comme dans une conversation : chaque réponse peut être creusée (« et si on exclut le client X ? », « même chose mais par collaborateur ? ») sans tout reformuler.

Pour des résultats fiables, décris brièvement ton fichier au premier message : ce que contient chaque colonne, la période couverte, les particularités (« la colonne Montant est en TTC », « les avoirs apparaissent en négatif »). Ces deux phrases de contexte évitent 90 % des malentendus d'interprétation — exactement comme quand tu passes un fichier à un collègue.

Voici un export des honoraires par client (CSV) : <coller>.
Contexte : montants en € HT, une ligne par facture, la colonne « Date » est la date d'émission, les avoirs sont en négatif.
Réponds à :
- top 10 clients par chiffre d'affaires
- évolution trimestre par trimestre
- clients en baisse de plus de 20 % vs l'an dernier
Donne un court commentaire pour chaque résultat et explique comment tu as calculé.

Nettoyer un tableur en désordre

Dates incohérentes, doublons, colonnes mélangées ? Décris l'état final voulu, Claude propose le tableau propre et t'explique ce qu'il a corrigé. La méthode tient en une phrase : décris l'état d'arrivée, pas le chemin. Tu n'as pas besoin de savoir comment normaliser des dates ; tu as besoin de dire « toutes les dates au format AAAA-MM-JJ ».

Exige systématiquement deux livrables : le tableau propre, et la liste des corrections effectuées. Cette liste est ton journal d'audit : « 12 doublons supprimés, 8 dates reformatées, 3 lignes sans montant signalées ». Elle te permet de repérer immédiatement une correction trop zélée — par exemple deux factures légitimes du même montant le même jour, prises à tort pour un doublon. Sans cette liste, tu valides à l'aveugle.

Ce tableau de factures est en désordre. Nettoie-le :
- normalise les dates au format AAAA-MM-JJ
- supprime les doublons (même client + même montant + même date)
- ajoute une colonne « mois »
- trie par date
Montre un aperçu avant/après, liste TOUTES les corrections effectuées, et signale séparément les lignes douteuses que tu n'as pas osé corriger seul.

Repérer tendances et anomalies

Demande explicitement les anomalies : montants aberrants, écarts soudains, valeurs manquantes. C'est souvent là que se cachent les erreurs de saisie ou les vrais sujets clients. Le mot « explicitement » compte : par défaut, une analyse répond à tes questions ; elle ne signale pas spontanément la facture saisie à 18 400 € au lieu de 1 840 €, sauf si tu as demandé la chasse aux valeurs aberrantes.

Pour Marc, cette chasse mensuelle est devenue un mini-rituel : dix minutes sur l'export d'honoraires pour détecter les montants inhabituels, les clients qui décrochent et les trous de facturation. Deux fois en trois mois, elle a révélé un vrai problème — un client en difficulté qu'il a pu appeler avant la rupture, et une erreur de saisie qui aurait faussé le reporting annuel. L'anomalie n'est pas un bug de tes données : c'est souvent l'information la plus précieuse qu'elles contiennent.

Analyse cet export d'honoraires : <coller>.
Fais la chasse aux anomalies :
1. Montants aberrants (très au-dessus ou en dessous de l'habitude du client)
2. Clients dont la facturation a chuté de plus de 30 % sur les 3 derniers mois
3. Mois sans aucune facture pour un client habituellement régulier
4. Valeurs manquantes ou incohérentes
Pour chaque anomalie : la ligne concernée, pourquoi c'est suspect, et ton hypothèse (erreur de saisie ? vrai signal client ?).

Restituer : du tableau au message clair

Une analyse n'a de valeur que si elle est comprise par son destinataire. Or le destinataire de Marc n'est presque jamais un autre comptable : c'est un client artisan, un associé pressé, un banquier. Dernière étape systématique : demander la traduction en clair des résultats — « résume ces chiffres en 5 phrases pour un client non financier » ou « rédige le paragraphe de commentaire que je mettrai dans mon reporting mensuel ».

Tu peux aussi préparer la restitution visuelle : demande quel type de graphique conviendrait à chaque résultat (évolution dans le temps, répartition, comparaison) et fais générer les données prêtes à coller dans ton tableur pour le créer. L'analyse chiffrée, le commentaire rédigé et la suggestion visuelle sortent du même fil de conversation — ton reporting mensuel complet en vingt minutes.

Croiser deux fichiers

Le niveau au-dessus : croiser deux sources. L'export des honoraires d'un côté, la liste des temps passés par collaborateur de l'autre — et la question qui fâche : « quels clients nous prennent beaucoup de temps pour peu d'honoraires ? ». Manuellement, ce croisement demande des formules de recherche que peu de gens maîtrisent ; en langage naturel, c'est une simple phrase, à condition d'indiquer la clé commune (ici, le nom ou le code client) et de demander la liste des éléments non appariés.

Cette liste des non-appariés est le piège classique du croisement : un client orthographié « Atelier Bernard » dans un fichier et « BERNARD Atelier » dans l'autre disparaît silencieusement de l'analyse. Demande toujours « liste les lignes que tu n'as pas pu rapprocher » — tu corriges les orthographes, tu relances, et ton croisement devient complet. C'est ce genre de réflexe qui distingue une analyse pro d'une analyse approximative.

Garde-fous : la confiance se calibre

Récapitulons la discipline du chapitre, car c'est elle qui te permettra d'aller vite longtemps : contexte des colonnes au premier message, explication du calcul exigée, liste des corrections pour tout nettoyage, échantillon recompté à la main, totaux vérifiés, non-appariés listés pour les croisements. Six réflexes, deux minutes chacun — et des analyses sur lesquelles tu peux t'engager.

Avec l'expérience, tu calibreras ta confiance : sur les tâches que tu as vérifiées dix fois sans erreur, tu allégeras le contrôle ; sur une nouvelle source de données ou un enjeu fort, tu le renforceras. C'est exactement la relation que tu construis avec un collaborateur humain — la confiance ne se décrète pas, elle s'installe par l'expérience répétée du travail bien fait.