Andy Teixeira

- Création de modèles de pricing immobilier (Python, PostgreSQL) • Scoring de l’historique des transactions immobilières passées • Scoring des annonces publiées • Ajustement des estimations par un système de bonus-malus à l’aide d’une régression logistique • Analyse de la performance des modèles - Réalisation d’un algorithme d’analyse automatique de PVAG (Python) • Recherche automatique de risques d’acquisition des biens immobiliers • Scan et recherche de mots-clés dans des documents de plusieurs types - Restructuration et enrichissement de la base de données (Python, PostgreSQL) • Uniformisation des tables en base de donnée dans un but de scalabilité • Enrichissement de la donnée à partir de différentes sources pour optimiser la performance des algorithmes - Etudes statistiques pour le compréhension du marché immobilier (Python, PostgreSQL) • Faire correspondre des leads passés avec des transactions • Analyse de la différence de prix entre les annonces et les transactions - Participation à la mise en place d’une API de pricing (Python) • Mise en place de l’appel d’estimation • Mise en place de l’appel d’identification d’un lead dans les transactions

- Rôle de référent data (BigQuery, Python, MongoDB, AWS, GCP) • Traitement de tous les sujets liés à la data pour tous les pôles de la société (Tech, Marketing, Finances etc...) • Gestion d'ETL, injection des données, imports depuis MongoDB, extraction et intégration des coûts cloud en base de données depuis AWS et GCP, exploitation des données, études statistiques pour la connaissance client etc...) - Création de rapports automatisés sur les outils ChartIO et Cluvio (Big Query) • Rapports sur tous les domaines de Blacknut (Activité, usage, souscriptions, coûts cloud, finances, marketing, monitoring tech etc...) • Création de rapports destinés au CODIR permettant la prise de décisions sur l'activité de Blacknut, par exemple : mise en place d'une période d'essai gratuite ou non • Migration complète de l'ancien outil de BI, ChartIO vers un nouvel outil, Cluvio, après un audit d'une trentaine d'outils - Création d'un modèle de prédiction du pourcentage d'avancement lors du lancement d'un stream (Big Query, Python) • Utilisation de l'historique des streams lancés et du temps passé à chaque étape du lancement en fonction des features (statut du serveur, statut du disque, région, jeu etc...)

- Création et mise en production de modèles prédictifs divers (Hive, Pyspark, Python) • Prévisions météorologiques par client, exemple d'utilisation : inviter les clients à venir acheter des pneus neige avant l'arrivée de celle-ci • Attribution d'un magasin de rattachement pour chacun des individus, exemple d'utilisation : inviter les clients à se rendre dans leur "magasin de rattachement" pour bénéficier d'une offre particulière • Estimation du kilométrage des véhicules, exemple d'utilisation : inviter les clients à venir réaliser des prestations correspondant à leur kilométrage estimé • Estimation de la date de renouvellement des véhicules, exemple d'utilisation : inviter les clients à changer de véhicule car leur date de renouvellement prédite approche - Création de segmentations automatisées (Hive, Pyspark) • Segmentations RF (Récence-Fréquence) • Segmentations RFM (Récence-Fréquence-Montant) - Création de rapports automatisés sur Metabase et Google Data Studio (Hive, Pyspark) • Monitoring interne des modèles statistiques existants • Création d'un rapport à destination des CEO des clients permettant d’évangéliser l'activité de la marque • Création d'un rapport à destination de CRO des clients, exploitant notamment le modèle de magasin de rattachement et permettant d'évangéliser l'activité de chacun des magasins de la marque - En charge d’études statistiques pour la connaissance client (Hive, Pyspark, Python) • Etude du taux de remplissage des hôtels • Clustering k-means des hôtels pour les regrouper selon leur saisonnalité, leur localisation, leur profil de clientèle etc... • Création d'audiences d'activation marketing et des recommandations produits associées (audiences d'acquisition, de fidélisation et de transformation)

Chargé de TD en Statistiques Exploratoires Multivariées (Analyse Factorielle, Clustering...)

- Réalisation d’un score d’intention d’achat par un modèle XGBoost (Hive, Pyspark) • Utilisation de données multicanales (fichiers CRM, interactions sur le site web) • Requêtage, mise en forme, structuration de la donnée puis algorithmie • Equilibrage des échantillons puis entraînement du modèle sur 52 semaines pour éviter un biais temporel • Optimisation des hyper-paramètres • Évaluation de la qualité et de la précision du modèle (courbes ROC, LIFT, gains cumulés, AUC, spécificité, sensibilité, matrice de confusion) • Toutes les étapes ci-dessus ont été automatisées permettant la scalabilité du modèle pour tous les clients - Création d'une étude automatisée de la base de données clients sur l'outil de BI Metabase (Hive, Pyspark) • Exploitation de la segmentation RF (récence-fréquence) • Réalisation de matrices de passage pour étudier les mouvements entre segments • Création de KPIs permettant de qualifier les individus en terme de valeur • Extrapolation du chiffre d'affaire

Stage de 2 mois au sein du service "Pilotage de données et CRM". Principale tâche : scoring des clients responsables d'attrition

Stage de 4 semaines dans l'Association des Statisticiens Footballistiques à Londres. Principales tâches : gestion et mise à jour d'une grande base de données.