Les données

Sources mobilisées par le pipeline de codification COICOP

Vue d’ensemble

Le pipeline mobilise plusieurs fichiers en entrée (sources externes, non produites par le pipeline lui-même). Tous résident dans le bucket S3 projet-budget-famille.

Le pipeline n’a qu’un mode : il code le fichier désigné par input_file. Si ce fichier porte une colonne d’étiquettes, la désigner par label-column rend le run mesurable par l’étape evaluate — voir Généralités.

Fichier	Définition	Format	Path S3	Lu par	Commentaire
`annotations_test_2024.csv`	Annotations manuelles BdF 2024 (vérité terrain / KB ; sources `receipts_from_app`, `manual_from_app`, `manual_from_book`)	CSV `;`	`s3://projet-budget-famille/data/codification-manuelle-anterieure/annotations_test_2024.csv`	`build-datasets`	Base produite à partir de trois fichiers fournis par l’équipe BDF. Voir ce repo : https://git.lab.sspcloud.fr/ssplab/experimentation-bdf/construction-dataset
`annotations_BDF_2017.csv`	Annotations historiques de l’enquête BdF 2017 (source `bdf_2017`, KB uniquement)	CSV `;`	`s3://projet-budget-famille/data/codification-manuelle-anterieure/annotations_BDF_2017.csv`	`build-datasets`	Utilise l’ancien millésime de la COICOP (difficilement exploitable). Exclu de la base vectorielle des RAG annotations (`exclude_sources`)
`liste_produits_fr_copain.csv`	Liste de produits codifiés issue du suggester de l’application de l’enquête — exemples additionnels de la KB des RAG	CSV	`s3://projet-budget-famille/data/input-annotation/liste_produits_fr_copain.csv`	`build-datasets`, `prune-codes`	Codes au niveau 5, non prunés à la source : c’est `prune-codes` qui les tronque et les élague
`liste_magasins.csv`	Table de correspondance enseigne → type de magasin	CSV	`s3://projet-budget-famille/data/input-annotation/liste_magasins.csv`	`build-datasets`	Alimente `shop_type_name`, signal utilisé par LCS, les RAG et le juge
`produit_non_annotable.csv`	Liste des libellés non codables (retirés en amont)	CSV	`s3://projet-budget-famille/data/codification-manuelle-anterieure/produit_non_annotable.csv`	`build-datasets`
`coicop-2018_envoi_rmes_20251022.csv`	Nomenclature COICOP 2018 brute (référentiel des codes + libellés), export RMES, 949 codes sur 5 niveaux	CSV `;`	`s3://projet-budget-famille/data/coicop-2018_envoi_rmes_20251022.csv`	`prune-codes`	Seule source de vérité de la nomenclature : `prune-codes` en dérive la nomenclature prunée et la table de mapping que tout l’aval consomme
fichier d’observations	Le fichier à coder (paramètre Argo `input_file`, obligatoire)	CSV / parquet	`s3://projet-budget-famille/data/workflow_inputs/…` (ex. `BDF_data_tickets_appli_20260320_a_codif.csv`)	`build-datasets`	Noms de colonnes libres, mappés par les paramètres `text_column` / `shop_column` / `budget_column`

Deux entrées particulières

Modèle TTC : le classifieur neuronal n’est pas un fichier S3 mais un artefact MLflow, référencé par le paramètre Argo classify-ttc-model-uri (ex. mlflow-artifacts:/10/…/artifacts/model), lu par classify-ttc.
Les données de caisse (ddc) : ce sont des données récoltées dans le cadre de la production de l’IPC. Il s’agit de dépenses issues de tickets de caisse avec le code COICOP correspondant (labellisation faite via un référentiel fourni par un prestataire). Ces données sont utilisées dans le cadre de l’entraînement du modèle TTC (en dehors de ce pipeline).
Source copain (s3://projet-budget-famille/data/output-annotation/) : historiquement une entrée du build-datasets, elle est exclue du pipeline depuis juin 2026 — son chargement est désactivé (la fonction load_copain_data() subsiste dans le code sans être appelée).
Les listes de règles pour la codification déterministe par regex sont contenues dans le code, et non dans un fichier sur S3 (classify-regex/config/rules.yaml).

Référentiels de codes embarqués dans le dépôt

Deux fichiers de codes ne viennent pas de S3 mais sont versionnés avec le code — ce qui implique un risque de désynchronisation avec la nomenclature RMES (voir Limites et points de vigilance) :

Fichier	Contenu	Utilisé par
`reconcile-llm/data/coicop_et_codes_techniques.csv`	~700 codes (`Libelle;Code`) : COICOP tous niveaux, y compris 5 + codes techniques `98.x` / `99.x`	liste des codes valides soumise au juge LLM (`--nomenclature`)
`classify-ttc/data/*.csv`	copie de la nomenclature RMES, table de passage COICOP, familles Circana, données d’entraînement	entraînement et évaluation du modèle TTC

Artefacts produits par le pipeline

Chaque run écrit ses fichiers intermédiaires sous s3://projet-budget-famille/data/workflow_runs/{run_date}/{run_id}/<étape>/, tous en parquet (sauf le livrable final, qui reprend le format d’entrée). Les principaux :

Étape	Fichiers clés
`build-datasets`	`annotations_full` (la KB), `suggester`, `observations` (le jeu à coder), `qa/*`
`classify-regex`	`REGEX_pred`, `raw_test_without_regex`, `raw_train_without_regex`
`prune-codes`	`nomenclature_pruned`, `mapping_lvl4`, `annotations_train_pruned`, `annotations_test_pruned`, `suggester_pruned`
`classify-lcs`	`raw_test_LCS`, `analyse_codif_LCS`
`classify-rag-notices`	`predictions`, `retrieved_codes`
`classify-rag-annotations`	`predictions`
`classify-ttc`	`predictions`
`reconcile-llm`	`predictions` (toutes les prédictions + la décision)
`export-results`	le fichier livré, sous son nom d’origine
`report`	`report.html`
`evaluate` (facultative)	`evaluation_report.html`

Codes techniques BdF

À côté des codes COICOP « produits », le pipeline manipule des codes techniques qui n’appartiennent pas à la nomenclature officielle :

Code	Sens
`98.1`	Courses / alimentation non détaillée
`98.3`	Carte bancaire (ligne « Ticket CB »)
`98.4`	Prélèvement, libellé illisible ou vide
`98.5`	Remises / réductions
`99.x`	Divers non codables
`Reprise manuelle`	littéral (pas un code) : ligne à recoder à la main

Ces valeurs ne figurant pas dans la nomenclature RMES, elles traversent le pruning inchangées : ni troncature effective, ni élagage, ni resynchronisation de libellé.