Reverse-Engineering SDR

Pourquoi ce projet

Maintenir à jour la documentation d’une implémentation Adobe Analytics devient vite intenable dès qu’on gère plusieurs report suites en parallèle : chaque changement de règle Launch, chaque variable ajoutée ou retirée, doit être répercuté dans le référentiel. Plutôt que de documenter à la main après coup, l’idée est de générer et maintenir ce référentiel automatiquement, directement à partir du code source.

Cas d’usage

• Génération automatisée du référentiel de variables pour plusieurs report suites
• Rapprochement algorithmique entre les données réellement collectées par Report Suite et le code JSON des règles Launch
• Détection des variables orphelines (déclarées mais jamais alimentées, ou l’inverse)
• Analyse de régression entre deux versions du référentiel, pour isoler ce qui a changé et pourquoi

Comment ça marche

Un script Python extrait le code JSON des règles Adobe Launch et le met en correspondance avec les données observées côté Report Suite, variable par variable. Un LLM est mobilisé pour formuler des hypothèses lisibles sur les cas ambigus (rapprochement partiel, nommage incohérent), le rapprochement strict restant piloté par des règles algorithmiques explicites plutôt que délégué entièrement au modèle.

Ce que j’en retire

Maintenir un référentiel à jour est un problème de rapprochement de données avant d’être un problème de génération de texte : le LLM aide à interpréter les cas ambigus, mais la détection d’orphelines et l’analyse de régression restent plus fiables quand elles s’appuient sur une logique de rapprochement explicite et vérifiable.