Insights
Anomalies, patterns et alertes proactives · cross-source LLM
Le hub regarde tes data toutes les nuits et te signale ce qui mérite attention. Cards ci-dessous = exemples plausibles à partir de tes data réelles. Pas encore de vrais insights tant que Phase 1 (banking) + Phase 2 (locations) + Phase 3 (emails/photos) + Phase 5 (santé) ne sont pas livrées.
Doublon de paiement détecté
+134 $Hydro-Québec facturé 2 fois ce mois — 14 mars (134 $) et 18 mars (134 $).
Dépenses restos +47% vs moyenne
+136 $423 $ ce mois vs 287 $ en moyenne. 8 sorties au lieu de 5 habituelles.
Abonnement oublié ?
17,99 $/moisNetflix prélevé chaque mois depuis 14 mois. Dernier login détecté il y a 5 mois.
Solde au-dessus de l'objectif
+3 432 $Solde courant fin mars : 8 432 $ — au-dessus du seuil 5 000 $ que tu te fixes.
Sommeil en baisse
-1h16Moyenne 6h12 sur les 7 derniers jours vs 7h28 le mois dernier. Corrélation avec dépenses élevées les soirs courts.
Pic de localisation hors zone
12 points GPS détectés à Montréal le 15 mars — habituellement Lévis. Voyage non identifié dans Calendar.
- Phase 4.1 — Détection anomalies finance (z-score sur dépenses mensuelles)
- Phase 4.2 — Détection abonnements (paiements récurrents même montant)
- Phase 4.3 — Cross-référencement (sommeil ↔ dépenses, localisation ↔ calendrier)
- Phase 4.4 — Pattern matching LLM (descriptions naturelles : « tu sors plus le jeudi »)