diff --git a/03_Fiches_thematiques/Fiche_duckdb.qmd b/03_Fiches_thematiques/Fiche_duckdb.qmd
index 07927e5d..de06d7c2 100644
--- a/03_Fiches_thematiques/Fiche_duckdb.qmd
+++ b/03_Fiches_thematiques/Fiche_duckdb.qmd
@@ -72,6 +72,23 @@ Du point de vue d'un statisticien utilisant `R`, le *package* `duckdb` permet de
 -   __*Traduction en SQL*__: `duckdb` traduit automatiquement les instructions `dplyr` en requêtes SQL (de la même façon qu'`arrow` traduit ces instructions en code C++). Il arrive toutefois que certaines fonctions de `dplyr` n'aient pas d'équivalent direct en `duckdb` et ne puissent être traduites automatiquement. Dans ce cas (qui est heureusement moins fréquent qu'avec `arrow`), il faut parfois utiliser une fonction SQL directement ou trouver une solution pour contourner le problème. La @sec-sql donne quelques trucs et astuces dans ce cas.
 -   __Interopérabilité__: `duckdb` est conçu pour être interopérable entre plusieurs langages de programmation tels que `R`, Python, Java, C++, etc. Cela signifie que les données peuvent être échangées entre ces langages sans avoir besoin de convertir les données, d'où des gains importants de temps et de performance.
 
+### Quand utiliser `duckdb` plutôt que `arrow` ?
+
+Les *packages* `duckdb` et `arrow` ont des cas d'usage très similaires (voir la fiche [Manipuler des données avec `arrow`](#arrow)), mais on peut préférer l'un à l'autre selon les cas. On peut également les utiliser ensemble pour profiter de chacun de leurs avantages. Le tableau ci-dessous compare quelques cas d'usage de ces deux *packages* :
+
+| Je souhaite...                                                            | arrow | duckdb |
+| ------------------------------------------------------------------------- | ----- | ------ |
+| Optimiser mes traitements pour des données volumineuses                   | ✔️     | ✔️     |
+| Travailler sur un fichier .parquet ou .csv sans le charger entièrement en mémoire | ✔️     | ✔️     |
+| Utiliser la syntaxe `dplyr` pour traiter mes données                      | ✔️     | ✔️     |
+| Utiliser du langage SQL pour traiter mes données                          | ❌     | ✔️     |
+| Joindre des tables très volumineuses (plus de 4 Go)                          | ❌     | ✔️     |
+| Utiliser des fonctions fenêtres (voir @sec-arrow)                          | ❌     | ✔️     |
+| Utiliser des fonctions statistiques qui n'existent pas dans arrow (voir @sec-arrow) | ❌     | ✔️     |
+| Écrire un fichier .parquet                                                | ✔️     | ✔️ *   |
+
+\* pour écrire un fichier .parquet avec le package `duckdb`, il faut utiliser une instruction SQL (voir @sec-ecrire-parquet)
+
 ## Installation de `duckdb`
 
 Il suffit d'installer le _package_ `duckdb`, qui contient à la fois `DuckDB` et une interface pour que `R` puisse s'y connecter.
@@ -580,7 +597,7 @@ resultats <- dbGetQuery(conn_ddb, "SELECT * FROM data1_nettoye LEFT JOIN data2_n
 
 Et vous pouvez bien sûr créer des tables intermédiaires (temporaires ou non) à la place des vues (en utilisant `CREATE TABLE` pluôt que `CREATE VIEW`) pour éviter de les recalculer à chaque fois.
 
-#### Écrire des fichiers
+#### Écrire des fichiers {#sec-ecrire-parquet}
 
 Vous pouvez exporter des données vers des fichiers en utilisant [`COPY ... TO ...`](https://duckdb.org/docs/sql/statements/copy.html#copy--to) :
 
@@ -729,7 +746,7 @@ f <- function(x) {
 purrr::walk(f, groups)
 ```
 
-## Comparaison avec `arrow`
+## Comparaison avec `arrow` {#sec-arrow}
 
 `arrow` et `duckdb` partagent de nombreux concepts. Voici quelques différences :