J'ai remplacé 4 fichiers Excel par 30 lignes de Python — voici ce que ça m'a coûté et ce que j'ai gagné

🎯 Situation

Chaque lundi matin, un analyste des opérations chez un de nos clients ouvrait quatre fichiers Excel — un par région — copiait les données dans un fichier maître, nettoyait les noms de colonnes qui ne correspondaient jamais, supprimait les lignes vides en haut de chaque fichier, et formatait le résultat avant de le charger manuellement dans Power BI.

Ça prenait environ 90 minutes. Chaque semaine. Pendant deux ans.

Un script Python a tout changé.

⚠️ Challenge

Le processus manuel avait trois vrais problèmes qui s'accumulaient avec le temps.

Aucun de ces problèmes n'était catastrophique individuellement. Ensemble, ils représentaient un processus fragile et dépendant d'une seule personne, posé à la fondation du reporting hebdomadaire de l'entreprise.

🔍 Le script

Voici le code réel — légèrement simplifié, mais proche de ce qu'on a déployé. Il utilise pandas, la bibliothèque standard de manipulation de données en Python, et glob pour trouver les fichiers automatiquement :

import pandas as pd
import glob

# Read all 4 Excel files from a folder
files = glob.glob('data/*.xlsx')
df = pd.concat([pd.read_excel(f) for f in files], ignore_index=True)

# Standardize column names
df.columns = df.columns.str.strip().str.lower().str.replace(' ', '_')

# Clean and filter
df['date'] = pd.to_datetime(df['date'], errors='coerce')
df['revenue'] = pd.to_numeric(df['revenue'], errors='coerce').fillna(0)
df = df[df['date'].notna()]

# Aggregate by month and region
summary = df.groupby([df['date'].dt.to_period('M'), 'region'])['revenue'].sum().reset_index()
summary.columns = ['month', 'region', 'total_revenue']

# Export clean file for Power BI
summary.to_csv('output/monthly_revenue.csv', index=False)
print(f"Done. {len(summary)} rows exported.")

C'est 28 lignes. Ce qu'il fait :

• Trouve tous les fichiers Excel automatiquement — déposer un nouveau fichier dans le dossier suffit pour qu'il soit traité au prochain lancement
• Standardise les noms de colonnes — minuscules, sans espaces, sans espaces en fin — quel que soit le créateur du fichier
• Gère les données sales — les valeurs de chiffre d'affaires non numériques deviennent 0, les dates non parsables sont supprimées proprement
• Agrège et exporte — un fichier CSV propre que Power BI lit lors d'une actualisation planifiée

✓️ Ce que ça a coûté et ce que ça a rapporté

Écrire et tester ce script a pris environ 3 heures. C'est un investissement unique.

• Temps économisé : 90 min/semaine × 52 semaines = 78 heures/an rendues à l'analyste
• Taux d'erreur : tombé à zéro pour les erreurs de consolidation — le script s'exécute correctement ou échoue bruyamment
• Résilience : l'analyste peut être en vacances. Le rapport tourne quand même.
• Intégration : un nouvel analyste doit comprendre un script, pas un processus Excel en 12 étapes
• Extensibilité : ajouter une 5e région signifie déposer un nouveau fichier dans le dossier — rien d'autre ne change

Le seul coût récurrent : si la structure du fichier source change significativement (nouvelles colonnes, feuilles renommées), le script a besoin d'une petite mise à jour. En deux ans, c'est arrivé une fois.