| name | rpe |
| description | Indicateurs du Réseau pour l'emploi (France Travail) — accès/présence en emploi, formation, recrutement, RSA, par territoire et par mois. Données agrégées, nationales, couvrant tout le réseau (pas seulement nos services). À distinguer d'autometa_tables_db. |
RPE — Tableau de bord du Réseau pour l'emploi
Données publiques du tableau de bord France Travail (pilotage-rpe.francetravail.org). Indicateurs officiels du réseau pour l'emploi : résultats d'accès à l'emploi, de formation, de recrutement et d'accompagnement, déclinés par territoire (commune → bassin → département → région) et par mois.
En quoi c'est différent d'autometa_tables_db (à lire avant de choisir)
| rpe (ce skill) | autometa_tables_db |
|---|
| Périmètre | Tout le réseau pour l'emploi (France Travail, national) | Nos services (les_emplois, dora, data·inclusion…) |
| Granularité | Agrégée (cubes par territoire/mois ; pas de niveau individuel) | Fine / niveau enregistrement |
| Source | Tableau de bord public France Travail | Nos bases applicatives |
En une phrase : RPE = la vision agrégée et nationale de France Travail sur tout le réseau ; autometa_tables = nos propres données de services, granulaires. Les mesures RPE sont des agrégats (souvent des taux) : on ne peut pas les filtrer sur nos usagers/structures, ni les ré-agréger localement (pas de numérateur/dénominateur).
Quand demander à l'utilisateur de préciser
Si la demande peut relever des deux (ex. « taux d'accès à l'emploi par territoire », « données emploi par département »), poser la question avant de requêter, en exposant la conséquence du choix :
- RPE si on veut le résultat officiel France Travail sur tout le réseau (national/territorial, agrégé) — mais impossible de cibler nos usagers/structures, ni de descendre au niveau individuel.
- autometa_tables_db si on veut nos données de services (périmètre inclusion, granulaire) — mais ce n'est pas la vision réseau/nationale.
Ce que contient le dataset
Datasets « métier » (les principaux) :
- Accès et présence en emploi — taux d'accès / de présence en emploi des demandeurs (1/3/6/12 mois, par public).
- Description des publics — caractéristiques des inscrits (âge, sexe, niveau de formation, BRSA, QPV, BOE…).
- Entrants en formation / Sortants de formation — entrées en formation et devenir en emploi à la sortie.
- Taux de recours (+ par filière) — recours des établissements au réseau (offres, recrutements).
- Délai et taux de pourvoi des offres (+ par filière) — taux et délai de pourvoi des offres d'emploi.
- Satisfaction DE / NPS — satisfaction des demandeurs sur l'accompagnement.
- Fiches action — fiches action des comités territoriaux (CTPE).
- Focus RSA (accompagnement rénové des BRSA) — parcours des bénéficiaires du RSA, territoires pilotes.
Dimensions transverses : géographie (commune/bassin/département/région), temps (mois), et caractéristiques publics (sexe, âge, niveau de formation, BRSA/QPV/BOE, type de parcours…). Catalogue exact dans dashboard_storage.rpe_toc (un dataset par ligne : name, measures, dimensions, territory_codes, charts).
Architecture / fiabilité (à lire avant de débugger)
La fonctionnalité RPE date de juin 2026 ; les codes GWT du dépôt sont à jour. Ne pas attribuer une panne à un « changement de code récent ».
Modèle d'authentification (signatures GWT) : permutation + strong_name (re-scrapés automatiquement par le cron), deux tokens de service policy_login/policy_dash (graines d'environnement), le mot de passe public RPE_PUBLIC_PASS (environnement), et un sid par session. Aucune valeur fragile n'est en dur dans le code.
Où vivent les valeurs fraîches : dashboard_storage.rpe_signature (signature courante validée) et dashboard_storage.rpe_toc (catalogue de routage), rafraîchis chaque nuit par le cron refresh-rpe. Au runtime, lib.rpe lit la DB d'abord, puis l'ENV en repli — jamais de constante de code.
Pour vérifier la santé : python skills/rpe/scripts/query.py --doctor → renvoie ok: true ou ok: false avec la raison exacte (signatures absentes, login impossible, canari live périmé). Ne pas rétro-ingénierer la couche GWT ni deviner si le mot de passe est périmé — lancer --doctor.
Plus de cache de faits. Le mirror rpe_fact est supprimé : tous les chiffres viennent de requêtes live territory=. Les anciennes tables matometa.rpe_* sont retirées.
Deux chemins : catalogue (TOC) vs requête live
Catalogue (dashboard_storage.rpe_toc) — routage instantané : quel cube, quelles mesures (measure_id exact), quelles dimensions, quels codes de territoire, quels graphes. Rafraîchi chaque nuit par le cron.
⚠️ Les libellés de mesure ne sont pas uniques (plusieurs mesures sources partagent un même libellé, ex. mensuel vs cumul 12 mois). Toujours désambiguïser par measure_id (le champ id dans measures), pas par libellé.
Codes de territoire par palier dans territory_codes : Région (codes INSEE région, ex. 11), Département (ex. 59), CLPE (territoire, ex. CLPE74001). Référence commune↔CLPE↔INSEE : knowledge/stats/clpe.md (table public.ref_clpe_ft) — ⚠️ format de code CLPE différent côté RPE (CLPE74001) vs ref (CLPE_001), jointure non triviale.
from sqlalchemy import text
from web.db import get_db
with get_db() as s:
rows = s.execute(text("""
SELECT name, measures, dimensions, territory_codes
FROM dashboard_storage.rpe_toc
WHERE name ILIKE :q
"""), {"q": "%Accès et présence%"}).all()
À la demande (lib.rpe) — pour obtenir des valeurs : un croisement multi-dimensions (région × sexe × âge), une période donnée, un grain fin (bassin, commune), une mesure ciblée. Tout chiffre passe par une requête live.
from lib.rpe import RpeClient
c = RpeClient.connect()
c.datasets(); c.measures(ds); c.dimensions(ds)
rows = c.query(
"Accès et présence en emploi",
dimensions=[{"dim": "C_TERRITOIRE_ID", "hPos": 0, "lPos": 1}, "C_LBLSEXE"],
measures=["Accès à l'emploi - Accès à l'emploi à 6 mois (switch cumul 12 mois) %"],
)
c.close()
measures : passer le measure_id exact, ou son libellé / une variante (la résolution est tolérante à la casse, aux apostrophes droites/courbes et aux espaces — match normalisé sur id et label ; un log mesure résolue X → Y confirme). Si aucune correspondance unique → valeurs de présence (1.0) + avertissement. Pour ventiler par niveau géo, lPos sur C_TERRITOIRE_ID (1 = région, 0 = département) ; pour filtrer sur un territoire, voir territory= plus bas.
Filtrage géographique : filtre serveur territory=(palier, codes) au bon niveau. La dim géo C_TERRITOIRE_ID est hiérarchique ; le serveur l'honore au niveau du palier (Région=1, Département=0, CLPE=-1). Passer le palier explicitement via territory= (lib) ou --territory CODE:PALIER (CLI) — ne jamais mettre C_TERRITOIRE_ID dans filters= (matché au niveau 0 quel que soit le code → valeurs silencieusement fausses ; la lib lève une ValueError).
c.query("Satisfaction DE", dimensions=["D_DATESATISACCO"],
measures=["Taux de satisfaction des demandeurs d'emploi pour leur accompagnement %"],
territory=("Département", ["78"]))
C'est le moyen d'atteindre les cubes lourds (cf. Limites du serveur public) : ventiler la géo en bloc les fait timeouter, mais une requête filtrée sur un territoire revient en ~0–12 s.
⚠️ « En bloc » vise le grain fin (CLPE, ~363 territoires) : c'est lui qui sature. Le grain région (C_TERRITOIRE_ID à lPos=1, ~19 membres) se ventile en un seul appel quasi instantané, même sur un cube lourd — inutile de boucler territory= région par région si on veut juste le niveau régional (idem Département, lPos=0).
Tous les CLPE d'une région en un appel. territory=("Région", [code]) + C_TERRITOIRE_ID à lPos=-1 remonte directement les CLPE de la région (member_code = CLPE…) — inutile de lister les codes CLPE à la main. Le filtre serveur restreint le calcul à la région → rapide même sur un cube lourd.
Pour une ventilation par une autre dimension restreinte à un territoire, combiner --territory (géo) et --where (filtre client sur le reste) reste possible ; --where seul (sans --territory) convient quand le cube est léger.
Croisement multi-dimensions filtré sur un territoire, en un seul appel CLI (le cas « IDF par sexe × âge ») :
python skills/rpe/scripts/query.py --query "Accès et présence en emploi" \
--territory 11:region --dim C_LBLSEXE --dim C_LBLCATEGORIEAGE \
--measure "Accès à l'emploi - Accès à l'emploi à 6 mois (switch cumul 12 mois) %"
→ 8 lignes (2 sexes × 4 tranches d'âge) pour l'Île-de-France — le filtre serveur restreint le calcul à la région (rapide même sur un cube lourd).
Série temporelle (évolution sur les mois) — utiliser --month <dim date> (la dimension de catégorie « 2. Date », ex. D_DATEFPRIO, D_DATETAETPED). ⚠️ Indispensable : --month ventile par mois et lève le filtre de période du template (sinon la requête est figée sur le dernier mois → une seule ligne). Trouver la mesure et la dim date avec --measures DS --grep … et --dims DS --grep date :
python skills/rpe/scripts/query.py --query "Entrants en formation" \
--territory 53:region --month D_DATEFPRIO \
--measure "Région - Entrants en formation"
→ une ligne par mois pour la Bretagne (code région 53).
⚠️ Le lag de publication varie selon le dataset (de quelques semaines à plusieurs mois) et bouge dans le temps. Avant de cibler une période, vérifier le dernier mois réellement publié (ventiler par la dim date, prendre le max) plutôt que de le supposer.
Mensuel vs cumul = choix de la mesure (le « switch » est un toggle d'affichage côté client). Vérifié sur la capture HAR du dashboard : le navigateur demande les deux mesures (« … % » mensuel et « … Cumul 12 mois % ») dans un seul getCubeResult, et une variable Switch … (par-cube, ex. Switch cumul_12mois) choisit juste la colonne affichée — la réponse serveur contient toujours les deux. Rien à piloter côté serveur : demander directement la mesure voulue (mensuel « … % » ou cumul « … Cumul 12 mois % »), ou demander les deux et lire la bonne colonne. Les ddVars de notre squelette sel ne sont pas ces toggles et n'ont aucun effet sur les valeurs ; --ddvar / ddvars= est donc à éviter. Exemple série mensuelle :
python skills/rpe/scripts/query.py --query "Entrants en formation" \
--territory 53:region --month D_DATEFPRIO \
--measure "Entrant en formation (switch)"
⚠️ measure / measure_id à null et value = 1.0 dans le résultat = l'id de mesure n'a pas été reconnu (repli « présence » du serveur). Reprendre l'id exact depuis --measures … --grep … ou le champ measures de rpe_toc. La lib loggue un avertissement dans ce cas.
⚠️ Mesures pré-agrégées par géo (Région - …, Département - …, ex. Région - Entrants en formation) : la géo y est déjà intégrée → les croiser avec une ventilation C_TERRITOIRE_ID renvoie le repli présence 1.0 (mesure non reconnue). Pour ventiler par territoire × mois, prendre la mesure générique (ex. Entrant en formation (switch)), pas la variante Région -/Département - ….
⚠️ Au grain CLPE, les mesures « (switch cumul 12 mois) » renvoient NaN (non calculées à ce grain) : prendre la variante directe en % (ex. Accès à l'emploi à 6 mois % plutôt que … (switch cumul 12 mois) %).
⚠️ Les datasets « … Aggrégé … Performance comparée … » ne servent pas aux valeurs brutes : conçus pour le classement/comparaison entre territoires, ils renvoient 0 ligne en accès direct. Pour des valeurs au grain CLPE/département, prendre le dataset principal (ex. Accès et présence en emploi) avec territory= + C_TERRITOIRE_ID à lPos=-1 (CLPE) ou 0 (département).
Post-traitement. Le serveur peut insérer une sentinelle -1.0 (= -100 %, donnée manquante) : filtrer les valeurs négatives avant exploitation.
Fiches action — compter les fiches. Les mesures N_NBANSWERSET* renvoient 0.0 via l'API publique (limitation connue, ne pas chercher à les déboguer). Compter plutôt les valeurs distinctes de C_ANSWERSET_ID, ventilées par C_LBLREGION. ⚠️ La mesure Réponses compte les champs remplis (~24 par fiche en moyenne), pas les fiches : proxy d'activité de saisie, pas un dénombrement.
Trouver le bon indicateur (routage)
Le champ charts de dashboard_storage.rpe_toc documente chaque graphe du tableau de bord source (chart_title, measures_shown, dims_shown). C'est la façon la plus rapide de router une question vers le bon cube/mesure (les graphes ne montrent que le sous-ensemble pertinent des mesures, avec un libellé lisible).
SELECT name, charts
FROM dashboard_storage.rpe_toc
WHERE charts::text ILIKE :q OR measures::text ILIKE :q;
Puis interroger le cube avec la mesure trouvée — query() résout le nom de mesure en identifiant technique.
Combien de temps
- Catalogue (TOC) : instantané (SQL local).
- À la demande, cube déjà calculé côté serveur : ~30 ms.
- À la demande, nouveau croisement (cache serveur froid) : 1 à 20 s au premier appel, puis ~30 ms.
Limites du serveur public
Le serveur DigDash de France Travail est public, partagé avec nos requêtes live, et il sérialise les requêtes concurrentes. Conséquences vérifiées (juin 2026) — ne pas les redécouvrir :
- Certains cubes sont trop lourds pour une ventilation géo complète (Accès et présence, Entrants/Sortants de formation, Délai de pourvoi, Satisfaction, Description publics…) : ventiler toute la géo en un appel dépasse la limite de calcul ~60 s du serveur (il renvoie 5xx). Mais ces cubes restent interrogeables à la demande : une requête filtrée sur un seul territoire (
territory=(palier, codes), cf. Deux chemins) ne calcule que ce territoire et revient en ~0–12 s. « Injoignable en masse » ≠ « injoignable ».
- Pas de raccourci « fichier statique » pour les faits.
getFile ne sert que le catalogue/structure (cube_dm), pas les valeurs de mesures ; celles-ci sont calculées en direct par getCubeResult.
- Filtre géo serveur : passer par
territory=(palier, codes) (niveau honoré : région 1, département 0, CLPE -1). Ne pas mettre C_TERRITOIRE_ID dans filters= (niveau 0 → valeurs fausses). Mono-territoire = rapide même sur un cube lourd ; en masse sur tous les territoires, le serveur sérialise/sature → réservé aux requêtes ciblées.
Script
skills/rpe/scripts/query.py — explorer le catalogue et lancer une requête en CLI (--list, --measures, --dims, --query). Diagnostic de santé : --doctor.
