La semaine dernière, vers 22 heures, j’étais assis à notre table de cuisine à Lyon. Notre fille dormait depuis une heure. Ma femme était à côté de moi. Entre nous : un ordinateur portable ouvert, sur lequel nous fermions les yeux face à un mur de chiffres.
Nous préparions notre retour au Canada — plus précisément à Ottawa. C’est une transition géographique colossale. Ottawa est immense, s’étendant sur plus de 2 700 km² de territoire fusionné. La différence entre vivre dans The Glebe (score de marchabilité : 43, prix moyen : 1,25 M$, 57 % de couverture arborée) et vivre à Barrhaven (marchabilité : 69, prix moyen : 740 K$, 32 % de couverture) n’est pas une simple nuance. Ce sont deux quotidiens radicalement différents.
Lors de nos précédentes expatriations, nous avions fait ce que font la plupart des familles : nous avions construit un immense tableau Excel. Nous y compilions les indices de marchabilité, les statistiques de criminalité, les temps de transport et les classements des écoles, en essayant de forcer une formule mathématique à nous dire où nous devions vivre. C’était épuisant, stérile et, au final, inutile pour appréhender la réalité spatiale d’un quartier.
Je ne voulais pas reprendre la route des feuilles de calcul cette fois-ci. Je voulais voir la forme de notre future vie.
Ma femme s’est tournée vers moi et m’a dit : « Tu ne peux pas juste construire quelque chose ? »
L’évolution d’un nid#
NestFinder n’a pas commencé comme un produit multi-villes. C’était au départ un simple outil de survie personnel.
Étape 1 : Le catalyseur d’Ottawa#
L’objectif initial était simple : récupérer les données municipales brutes du portail Open Data de la ville d’Ottawa et les superposer sur une carte. J’avais besoin de voir comment la sécurité (indices de sévérité criminelle), les conseils scolaires (classements OCDSB, OCSB, CEPEO), l’adéquation des logements et les pourcentages de canopée forestière s’articulaient géographiquement.
Je voulais savoir si un quartier permettrait à ma fille d’aller à l’école à pied en toute sécurité, ou si nous serions enfermés dans une routine dépendante de la voiture. Une fois les données des 22 secteurs intégrées dans une application React, nous avons enfin pu arrêter de deviner.
Étape 2 : Tester la portabilité à Lyon#
Alors que le prototype d’Ottawa commençait à apaiser notre propre anxiété liée au déménagement, j’ai regardé autour de moi. Nous vivons à Lyon depuis plusieurs années et notre fille est scolarisée à l’International School of Lyon (ISL) à Sainte-Foy-lès-Lyon. Je savais par expérience à quel point il était difficile pour les nouvelles familles arrivant dans notre communauté d’expatriés de s’orienter parmi les arrondissements de Lyon et les communes limitrophes.
J’étais curieux : à quel point ce concept est-il portable ? Est-il facile de remplacer la couche de données tout en conservant l’expérience de base ?
J’ai donc lancé l’instance de Lyon. J’ai intégré les distributions économiques de l’INSEE et les tendances de délinquance du SSMSI, en les cartographiant avec les transports locaux du réseau TCL. L’architecture a tenu bon, prouvant que le concept pouvait s’adapter à des modèles de données totalement différents.
Étape 3 : Barcelone et les limites de l’IA#
Puis, un ami m’a confié qu’il essayait d’utiliser l’IA pour comprendre les quartiers de Barcelone en vue d’un déménagement imminent. Il copiait-collait des requêtes dans des interfaces de chat, recevait de longs paragraphes de conseils génériques et peinait à visualiser les compromis entre les différents barrios.
Il se noyait sous le texte. J’ai réalisé que la comparaison visuelle de NestFinder était exactement ce dont il avait besoin. En quelques heures, j’ai récupéré les jeux de données municipaux espagnols et déployé l’instance de Barcelone.
Quand la donnée existe mais n’aide pas#
J’ai passé 30 ans dans l’architecture de systèmes et l’infrastructure. Trouver de la donnée, je sais faire. Le problème n’était pas l’accès — c’était la cohérence.
Ottawa publie des jeux de données municipaux extrêmement riches via son portail Open Data : indices de sévérité criminelle, taux de taxes foncières, classements des conseils scolaires (OCDSB, OCSB, CEPEO), ratios d’adéquation du logement, pourcentages de canopée et indicateurs d’équité. Je pouvais voir que Kanata Lakes affichait un taux de criminalité violente de 110 incidents contre 980 pour Centretown. L’INSEE français fournit des données tout aussi chirurgicales, et le SSMSI décompose les tendances de délinquance par arrondissement. Barcelone, quant à elle, publie des profils détaillés de ses districts.
Mais ces données vivaient dans des mondes séparés. L’échelle de criminalité d’Ottawa n’avait rien à voir avec celle de la France. L’accessibilité du logement se mesurait différemment. Les classements scolaires suivaient des référentiels incompatibles. Je ne pouvais pas mettre Kanata Lakes et le 6e arrondissement de Lyon côte à côte pour conclure : « Celui-ci est plus sûr. Celui-ci a de meilleures écoles. Celui-ci permet à ma fille de marcher. »
Je ne manquais pas de données. Je m’y noyais.
La nuit où j’ai commencé à coder#
NestFinder a démarré comme un croquis de week-end en React. J’ai injecté les données des quartiers d’Ottawa dans un fichier JSON — les 22 secteurs, avec chaque métrique disponible.
La première version était moche. Une carte Leaflet avec des marqueurs. On cliquait sur un marqueur, on obtenait un mur de chiffres.
Mais au moment où j’ai tracé le premier cercle de proximité — un anneau émeraude de 1 km autour d’une adresse épinglée — quelque chose s’est débloqué. Ce cercle représentait le monde piéton de ma fille. Tout ce qui se trouvait à l’intérieur constituait son quotidien : le trajet vers l’école, le parc le plus proche, la pharmacie du coin. Tout ce qui se trouvait à l’extérieur nécessitait une voiture, un bus ou un compromis.
J’ai ajouté un second cercle à 2 km (la zone vélo et transport), et soudain la carte ne montrait plus des données. Elle racontait un mode de vie.
Les cercles qui ont tout changé#
Lorsqu’on épingle un lieu sur NestFinder aujourd’hui, deux cercles concentriques apparaissent :
- Le cercle émeraude (1,0 km) : Dix à douze minutes à pied. À Lyon, je l’ai calibré sur notre trajet réel entre la maison et l’ISL. Si une boulangerie, une pharmacie ou un parc se trouve en dehors de ce cercle, votre rythme quotidien bascule.
- Le cercle bleu (2,0 km) : L’enveloppe transit ou vélo. À Ottawa, c’est la différence entre attraper le O-Train Confederation Line et devoir prendre la voiture.
En Mode Live — alimenté par l’API Google Maps Places — NestFinder peuple ces cercles avec de vrais points d’intérêt : crèches, marchés, espaces verts. Dans notre cas, cela a révélé que trois des quatre quartiers d’Ottawa que nous envisagions n’avaient aucune pharmacie accessible à pied.
Ce seul constat a éliminé deux options.
De l’intuition à la comparaison#
La deuxième avancée est venue de la comparaison. Dans notre ancien processus, comparer des quartiers signifiait basculer d’un onglet à l’autre en essayant de retenir les chiffres. C’était Westboro qui avait 46 % de canopée forestière, ou The Glebe ?
La matrice de comparaison de NestFinder permet de mettre en file d’attente jusqu’à quatre secteurs et de les inspecter côte à côte. Le système surligne automatiquement la métrique gagnante dans chaque ligne — indice de criminalité le plus bas, meilleur classement scolaire, logement le plus abordable, meilleur score de verdure — pour que le regard se pose sur les compromis, pas sur le bruit.
Pour notre recherche sur Ottawa, nous avions comparé The Glebe, Westboro, Kanata Lakes et Orléans. La matrice a révélé quelque chose que les chiffres bruts masquaient : Orléans était le seul secteur où la scolarité francophone de qualité (conseil CEPEO, classé 8,2), une sécurité élevée (taux de criminalité violente de 150, en baisse) et une accessibilité financière réelle (710 K$ en moyenne, 2 698 $ de loyer) coexistaient. The Glebe était magnifique mais hors budget. Kanata était sûr mais dépendant de la voiture.
Quand la donnée se trompe (et c’est normal)#
Ce que 30 ans de travail sur les systèmes d’infrastructure m’ont appris, c’est que la donnée est un point de départ, pas un verdict.
Quand un ami a visité Centretown et l’a adoré malgré son indice de sécurité de 41 sur 100, je ne voulais pas que l’outil dise « Non. » Je voulais qu’il dise « Voici ce que les chiffres montrent — maintenant, dis-moi ce que tu as vu. »
NestFinder intègre un panneau d’édition qui permet de modifier n’importe quelle statistique par défaut avec votre propre évaluation. Ces modifications restent stockées dans le LocalStorage de votre navigateur. Elles ne quittent jamais votre appareil. Elles allient la rigueur des données publiques ouvertes à la texture irremplaçable de l’expérience vécue.
Trois villes, une architecture#
Construire l’instance de Lyon après celle d’Ottawa a exigé de repenser tout le modèle de données. Les communes françaises ne correspondent pas aux secteurs municipaux canadiens. Les catégories de l’INSEE ne s’alignent pas sur le cadre d’équité d’Ottawa.
La solution a été une architecture monorepo — trois applications Vite indépendantes (/Ottawa, /Lyon, /Barcelona), chacune avec ses propres jeux de données et adaptations locales, reliées à une bibliothèque de composants partagés (@nestfinder/shared) qui gère la carte, le moteur de comparaison, la barre de navigation et la couche de traduction bilingue.
Chaque ville reçoit ainsi ses propres données curatées — Ottawa s’appuie sur Open Data Ottawa ; Lyon intègre les indicateurs économiques de l’INSEE, les tendances sécuritaires du SSMSI et la couverture du réseau TCL via OpenStreetMap ; Barcelone utilise les profils municipaux de quartiers espagnols — tout en offrant une expérience utilisateur cohérente.
Chaque ville parle français et anglais. Parce que quand on est expatrié, la langue de la donnée ne devrait jamais être la barrière.
Ce que NestFinder ne fait pas#
La complexité impose des limites. NestFinder n’est pas une plateforme immobilière. Il n’affiche pas de biens à vendre. Il ne vous met pas en relation avec des agents. Il ne prédit pas les tendances du marché.
Ce qu’il fait, c’est réduire la friction cognitive d’une décision que la plupart des familles prennent avec trop d’émotion et pas assez de structure. Il prend les jeux de données ouverts que les gouvernements publient déjà — mais enterrent dans des portails techniques et des fichiers CSV — et les transforme en une histoire visuelle, interactive et comparable.
Il ne vous dira pas où vivre. Il vous montrera la forme de votre quotidien si vous le faites.
Trouver son nid#
Quelques semaines après cette session nocturne, ma femme et moi avions réduit notre sélection ottavienne à deux quartiers. Nous avions arpenté les rues de Lyon une dernière fois avec un regard neuf, les voyant désormais à travers le prisme du cercle émeraude que nous avions tracé des centaines de fois à l’écran. Et nos amis à Barcelone avaient utilisé l’outil pour découvrir que leur barrio de rêve était en réalité à 45 minutes de trajet de l’école de leurs enfants.
NestFinder n’a pas pris notre décision. Mais il a apaisé le bruit suffisamment longtemps pour que nous entendions ce que nous voulions vraiment.
Trouver son nid, ce n’est pas chercher la ville parfaite. C’est comprendre les cercles qui dessinent notre quotidien — et choisir où jeter l’ancre.
NestFinder est gratuit et accessible publiquement. Je vous invite à explorer Ottawa, Lyon ou Barcelone et à jouer avec les données. Si vous en avez besoin pour une autre ville — laissez-moi le nom dans les commentaires ou contactez-moi directement. Je verrai ce que je peux faire.
Si vous travaillez dans l’immobilier ou la relocation d’expatriés et voyez une opportunité d’offrir ce type de clarté guidée par la donnée à vos clients, ce serait un plaisir d’en discuter.
