> ## Documentation Index > Fetch the complete documentation index at: https://docs.devinenterprise.com/llms.txt > Use this file to discover all available pages before exploring further. # Agent Analyste de Données > Utilisez l'agent Analyste de Données pour exécuter rapidement des requêtes sur des bases de données, analyser des données et créer des visualisations L’**Agent Analyste de Données**, également appelé **DANA** (Data ANAlyst), est une version spécialisée de Devin, optimisée pour interroger des bases de données, analyser des données et créer des visualisations. Il est conçu pour être rapide, concis et spécialement adapté aux workflows d’analyse de données.
## Quand utiliser l’agent Data Analyst
L’agent Data Analyst est idéal lorsque vous avez besoin de : * **Interroger des bases de données** : rédiger et exécuter des requêtes SQL sur vos sources de données connectées * **Analyser des données** : explorer des modèles, calculer des indicateurs et analyser les tendances dans vos données * **Créer des visualisations** : générer des graphiques professionnels avec seaborn * **Répondre à des questions sur les données** : obtenir rapidement des réponses précises aux questions concernant vos données * **Générer des insights** : découvrir des modèles, des anomalies et des informations exploitables
## Accès à l'agent Data Analyst
### Depuis l'application web
1. Accédez à la page d'accueil de Devin 2. Cliquez sur le menu déroulant de sélection d’agent 3. Sélectionnez **Data Analyst** dans le menu déroulant 4. Commencez votre session avec une question ou une tâche en lien avec les données
### À partir de Slack
Vous pouvez démarrer une session de Data Analyst directement à partir de Slack en utilisant l'une des méthodes suivantes : **En utilisant la commande / :** ``` /dana Quels étaient nos 10 principaux clients en termes de chiffre d'affaires le mois dernier ? ``` **Utilisation d’une mention avec la macro `!dana` :** ``` @Devin !dana Quels ont été nos 10 meilleurs clients en termes de chiffre d'affaires le mois dernier ? ``` Les deux méthodes créeront une session de Data Analyst et répondront dans le fil de discussion avec les résultats.
## Prérequis
Avant d'utiliser l'agent Data Analyst, vous devrez connecter au moins une source de données via MCP (Model Context Protocol). Les intégrations courantes incluent : * **MCP de bases de données** : Redshift, PostgreSQL, Snowflake, BigQuery et autres bases de données SQL * **MCP d’analyse** : Datadog, Metabase et autres plateformes d'observabilité Sans source de données connectée, l'agent vous en informera et vous demandera d'en connecter une avant de continuer. Apprenez à connecter des bases de données et d'autres sources de données via MCP
## Comment ça fonctionne
### Connaissances sur la base de données
L’agent Data Analyst tient à jour une note **Connaissances sur la base de données** qui contient la documentation de schéma pour vos bases de données connectées. Ces connaissances sont automatiquement consultées avant l’exécution des requêtes, ce qui permet à l’agent d’identifier rapidement les bonnes tables et colonnes.
## Exemples de prompts
Voici quelques façons efficaces d'utiliser le Data Analyst Agent pour différents types de requêtes :
### Requêtes simples
* « Combien d'utilisateurs actifs avons-nous eu la semaine dernière ? » * « Quelle est l'évolution de notre revenu quotidien sur le mois dernier ? » * « Quels clients ont le plus fort niveau d'utilisation ? »
### Agrégations et métriques
* "Quelle est la durée moyenne de session par niveau d’abonnement sur les 30 derniers jours ?" * "Affiche le chiffre d’affaires total, ventilé par région et par ligne de produits pour le T4" * "Calcule le temps de réponse au 95e centile pour chaque endpoint d’API cette semaine"
### Jointures et analyses inter‑tables
* « Réalise une jointure entre notre table users et la table orders, et affiche les 20 meilleurs clients par valeur sur la durée de vie » * « Mets en corrélation la source d’inscription avec la rétention à 30 jours — quels canaux d’acquisition ont les meilleurs taux de rétention ? » * « Combine les données de session avec les données de facturation pour trouver les comptes avec une utilisation élevée mais de faibles dépenses »
### Filtrage et segmentation
* « Montre-moi uniquement les clients Enterprise qui se sont inscrits après janvier 2025 et qui ont plus de 100 sessions » * « Filtre les journaux d'erreurs pour ne garder que les erreurs 5xx du service de paiement au cours des 48 dernières heures » * « Décompose la consommation entre clients Enterprise et clients en libre-service, en excluant les comptes d'essai »
### Analyse de séries temporelles
* "Trace l'évolution du nombre d'utilisateurs actifs hebdomadaires sur les 6 derniers mois — mets en évidence toutes les semaines avec plus de 10 % de variation" * "Montre-moi une comparaison d'un mois sur l'autre des taux d'inscription pour 2025 par rapport à 2024" * "Quelle est la tendance quotidienne des appels API sur les 90 derniers jours ? Superpose une moyenne mobile sur 7 jours"
### Enquêtes et détection d’anomalies
* « Pourquoi les inscriptions ont-elles chuté mardi dernier ? Vérifie s’il y a eu des incidents ou des déploiements liés » * « Y a-t-il des anomalies dans nos taux d’erreur cette semaine ? » * « Compare les indicateurs de ce mois-ci à la même période l’année dernière et signale les écarts significatifs »
### Analyse en plusieurs étapes
* « Analyser la rétention des utilisateurs par cohorte pour le T4, puis identifier les cohortes ayant la plus forte baisse et suggérer des causes possibles » * « Trouver les 10 utilisateurs ayant le plus de sessions, afficher leur activité au fil du temps et signaler ceux qui présentent un risque de désengagement »
## Sources de données prises en charge
L’agent Data Analyst se connecte à vos données via des intégrations MCP (Model Context Protocol). Vous pouvez connecter plusieurs sources de données et effectuer des requêtes sur l’ensemble de celles-ci. Voici quelques-unes des sources de données les plus courantes disponibles dans le [MCP Marketplace](https://app.devin.ai/settings/connections?tab=mcps) — cette liste n’est pas exhaustive.
### Bases de données SQL
| Source de données | Nom du MCP | Configuration | | ----------------------------------------- | ---------- | ---------------------------------- | | Amazon Redshift | Redshift | Chaîne de connexion + identifiants | | PostgreSQL | PostgreSQL | Chaîne de connexion | | Snowflake | Snowflake | Compte + identifiants | | Google BigQuery | BigQuery | OAuth ou compte de service | | MySQL | MySQL | Chaîne de connexion | | SQL Server | SQL Server | Chaîne de connexion | | Neon | Neon | OAuth | | Supabase | Supabase | Jeton d'accès personnel | | Cloud SQL (PostgreSQL, MySQL, SQL Server) | Cloud SQL | OAuth |
### Plateformes d'analyse et d'observabilité
| Source de données | Nom MCP | Configuration | | ----------------- | -------- | -------------------------------- | | Datadog | Datadog | API key + clé d'application | | Metabase | Metabase | OAuth | | Grafana | Grafana | URL + jeton de compte de service | | Sentry | Sentry | OAuth |
### Connexion d’une source de données
1. Accédez à [Settings > Connections > serveurs MCP](https://app.devin.ai/settings/connections?tab=mcps) 2. Trouvez votre source de données et cliquez sur **Enable** 3. Fournissez les informations d’identification requises (chaînes de connexion, API keys ou OAuth) 4. Démarrez une session Data Analyst — l’agent détectera automatiquement vos sources de données connectées Vous avez besoin d’une source de données qui ne figure pas dans le Marketplace ? Utilisez **Add Your Own** pour connecter n’importe quel serveur MCP en fournissant directement sa configuration. Instructions de configuration complètes pour chaque source de données Vous pouvez connecter plusieurs sources de données simultanément. Le Data Analyst Agent utilisera les outils MCP appropriés en fonction du contexte de votre requête.
## Bonnes pratiques
### Soyez précis concernant les métriques
Au lieu de poser des questions vagues, définissez exactement ce que vous voulez mesurer : ```text Bon theme={null} "Quel est notre nombre d'utilisateurs actifs sur 7 jours, défini comme les utilisateurs qui ont démarré au moins une session ?" ``` ```text Moins efficace theme={null} "Comment se portent nos utilisateurs ?" ```
### Préciser les périodes de temps
Précisez toujours l’intervalle de temps qui vous intéresse. L’agent utilise par défaut le fuseau horaire UTC lorsqu’il interprète des dates relatives. ```text Good theme={null} "Show me daily revenue for the past 30 days" ``` ```text Less effective theme={null} "Show me revenue" ```
### Demander des formats de sortie spécifiques
Indiquez à l’agent comment vous voulez voir les résultats — sous forme de tableau, de graphique ou de synthèse : ```text Bon theme={null} "Trace un graphique linéaire des inscriptions hebdomadaires du dernier trimestre, avec un tableau des valeurs brutes en dessous" ``` ```text Moins efficace theme={null} "Récupère le nombre d’inscriptions" ```
### Définissez la logique métier en amont
Si vos métriques ont des définitions précises, explicitez-les dans votre prompt afin d’éviter toute ambiguïté : ```text Bon theme={null} "Afficher le taux de churn mensuel, en définissant le churn comme les comptes n’ayant eu aucune session au cours des 30 derniers jours mais au moins une session durant les 30 jours précédents" ``` ```text Moins efficace theme={null} "Quel est notre taux de churn ?" ```
### Demander des comparaisons et du contexte
L’ajout de périodes de comparaison ou de repères rend les résultats plus faciles à exploiter : ```text Good theme={null} "Show this week's daily active users compared to the same week last month, and highlight any days with more than 15% deviation" ``` ```text Less effective theme={null} "Show daily active users" ```
### Itérer sur les résultats
Vous pouvez poser des questions de suivi dans la même session pour approfondir l’analyse : 1. Commencez par une vue d’ensemble : *« Quels sont nos 10 principaux clients par chiffre d’affaires ce trimestre ? »* 2. Approfondissez : *« Pour les 3 premiers, montrez-moi l’évolution mensuelle de leur chiffre d’affaires sur l’année écoulée »* 3. Analysez : *« Le client X a eu un pic de chiffre d’affaires en mars — qu’est-ce qui l’a provoqué ? »*
### Validez la requête SQL
L'agent inclut toujours la requête SQL qu'il a utilisée. Examinez-la pour vous assurer que la logique correspond bien à vos attentes, en particulier pour les analyses complexes impliquant des jointures, des filtres ou des agrégations.
## Formats de sortie
Le Data Analyst Agent retourne les résultats dans plusieurs formats selon le type d'analyse :
### Tables
Pour les recherches et les agrégations de données, les résultats sont retournés sous forme de tableaux formatés : ``` | Customer | Revenue | Sessions | Avg Duration | |----------------|-----------|----------|--------------| | Acme Corp | $125,400 | 1,247 | 34 min | | Globex Inc | $98,200 | 983 | 28 min | | Initech | $87,600 | 876 | 41 min | ```
### Graphiques et visualisations
Lorsque vous demandez une analyse visuelle ou que les données sont plus faciles à comprendre sous forme graphique, l'agent génère des graphiques avec seaborn. Les types de graphiques courants incluent : * **Graphiques en courbes** — tendances de séries temporelles, comparaisons dans le temps * **Graphiques à barres** — comparaisons catégorielles, classements * **Cartes de chaleur** — matrices de corrélation, schémas d'activité * **Diagrammes de dispersion** — analyse de la relation entre deux métriques Demandez un type de graphique spécifique si vous avez une préférence, ou laissez l'agent choisir la visualisation la plus adaptée à vos données.
### Synthèses et insights
Pour les prompts de type investigation, l'agent fournit une réponse structurée qui inclut : * **Synthèse de l'analyse** — une réponse en langage clair à votre question * **Requête SQL** — la requête exacte utilisée, afin que vous puissiez en vérifier la logique * **Chiffres clés** — les métriques les plus importantes mises en avant * **Insights sur les données** — des tendances, des anomalies ou des éléments marquants * **Lien Metabase** — si votre organisation utilise Metabase via MCP, l'agent peut inclure un lien vers un tableau de bord interactif pour une exploration plus approfondie
## Gestion de Knowledge
Le Data Analyst Agent peut conserver les informations apprises d'une session à l'autre en utilisant le système Knowledge. Lorsqu'il découvre : * De nouvelles informations de schéma ou des relations entre tables * De la logique métier ou des définitions de métriques * Des schémas récurrents ou des mises en garde concernant la qualité des données il les enregistre dans des notes Knowledge afin que les sessions futures tirent parti de ce qui a été appris. Découvrez le fonctionnement du système Knowledge de Devin
## Différences par rapport à Devin standard
| Capacité | Data Analyst Agent | Devin standard | | ----------------------------------------- | -------------------------------- | ------------------------ | | Exécution de requêtes SQL | Optimisée | Prise en charge | | Visualisations de données | Prise en charge Seaborn intégrée | Configuration manuelle | | Connaissance du schéma de base de données | Connaissance préchargée | Exploration à la demande | | Style de réponse | Concis, axé sur les métriques | Explications détaillées | | Modifications de code | Pas l’objectif principal | Prise en charge complète | | Intégrations MCP | Requises | Facultatives | Le Data Analyst Agent est conçu spécifiquement pour le travail sur les données. Pour les tâches impliquant des modifications de code, des déploiements ou de l’ingénierie logicielle générale, utilisez plutôt Devin standard.