Applied AI
Web3 Analytics Dashboard
Dashboard on-chain à partir d’exports CSV (Dune ou autre) — KPIs, séries, cohortes. La blockchain comme terrain de data, pas comme identité du Lab.
- Problème
- Les exports on-chain sont lisibles en SQL, rarement en produit d’analyse. Il manquait une vue KPI + rétention sur un CSV standard.
- Pourquoi ça compte
- Applied AI / data. Ça démontre le fil Data sur un domaine adjacent, sans faire du site un portfolio crypto.
Stack: Python · Streamlit · Plotly · pandas
Architecture
Application Streamlit : upload CSV → détection des colonnes date / adresse / valeur → KPIs → charts Plotly (volume, tx, top addresses, heatmap de rétention).
Intégration Dune optionnelle (clé API). Déploiement visé Streamlit Cloud.
Données
Exports CSV d’analytics on-chain. Pas un indexeur nœud. La qualité dépend de l’export, pas d’un pipeline de collecte maison documenté ici.
Approche
- Schéma souple : l’utilisateur mappe les colonnes.
- KPI explicites (volume, tx, adresses uniques, jours actifs, moyennes).
- Visualisations interactives plutôt qu’un modèle ML.
Résultats
Repo public, UI Streamlit, ensemble de vues listées dans le README. Pas de benchmark de précision publié — ce n’est pas un détecteur, c’est un cockpit d’exploration.
Limites
Pas de nœud Ethereum, pas de scoring on-chain original, pas de claim de « production trading ». Esthétique crypto volontaire : le Lab le range en Applied AI, pas en projet flagship.
Learnings
Un domaine adjacent (blockchain) n’entre que s’il sert une méthode Core : ici, data wrangling, KPI et lecture de séries. Les travaux ML on-chain plus anciens (anomalie_eth, MLflow) restent des preuves d’apprentissage, pas des produits Lab.