Rendre les opérations data complexes navigables.

Saagie est une plateforme data en cloud hybride utilisée pour orchestrer des pipelines de données et d’IA dans des environnements techniques complexes.

La plateforme apportait une forte valeur technique, mais ses parcours clés exposaient trop de complexité d’implémentation. Les data engineers perdaient du temps à cause d’erreurs évitables, d’états ambigus et d’écrans fragmentés. L’enjeu n’était pas de simplifier le domaine, mais de rendre sa complexité lisible et actionnable.

Pour les utilisateurs techniques, la clarté consiste à voir le système sans prétendre qu’il est simple.

À l’origine, les ingénieurs créaient un pipeline en écrivant un fichier YAML puis en l’important dans Saagie. Les erreurs de syntaxe étaient fréquentes, les dépendances difficiles à lire et le débogage commençait avant même l’exécution.

J’ai conçu un éditeur visuel où les équipes pouvaient déposer des jobs et pipelines existants sur un canvas, les relier et modéliser directement les conditions de succès ou d’échec. L’interface rendait la logique visible tout en conservant la flexibilité attendue.

Le catalogue affichait chaque version disponible dans une carte distincte. Les mêmes produits se répétaient, les utilisateurs ne savaient pas quelle version choisir et aucune recherche directe n’existait.

Le nouveau catalogue regroupait les versions par application, séparait les environnements Saagie et internes, recommandait les versions actuelles et ajoutait la recherche. Le parcours d’installation devenait plus court et plus orienté vers la décision.

Les data engineers n’avaient aucune vue consolidée de l’état d’une application dans le temps. Lorsqu’un pipeline échouait, ils devaient reconstruire les événements et identifier seuls où enquêter.

J’ai introduit un historique chronologique des lancements, arrêts, échecs, reprises et retours en arrière. Les indisponibilités devenaient immédiatement visibles, les durées explicites et les ingénieurs pouvaient passer directement d’un changement d’état aux logs concernés.

J’ai travaillé avec les product managers, développeurs, data engineers, data scientists et analystes pour cartographier les parcours et comprendre la manière dont chaque rôle interprétait la structure des pipelines et l’état du système.

Les prototypes et tests utilisateurs nous ont aidés à distinguer la complexité métier nécessaire de celle créée accidentellement par l’interface. En parallèle des parcours, j’ai maintenu et fait évoluer le design system afin que les améliorations puissent s’étendre à toute la plateforme.

La refonte a rendu les parcours techniques plus rapides à lire et réduit les frictions opérationnelles liées aux erreurs, aux choix répétés et à l’absence d’historique système.

L’objectif n’est pas de rendre la complexité invisible, mais d’aider les personnes à la traverser avec confiance.