Marwen Zouaoui

Mission chez JULES Projet « Pricing : développement d’un modèle de machine learning permettant de définir le prix juste d’un vêtement en se basant sur les données transactionnelles » : • Collecte, nettoyage et structuration de données multi-sources (Python, SQL, Snowflake, BigQuery, Cloud Storage, Excel, CSV), afin de constituer des datasets fiables et exploitables pour les analyses et modélisations. • Analyse descriptive et exploratoire pour identifier les tendances clés et les variables qui influencent les ventes. • Création et sélection de nouvelles features, avec analyse de leur importance pour évaluer leur impact sur la performance prédictive. • Comparaison et test de plusieurs modèles de pricing, avec sélection du modèle le plus performant. • Développement d’un modèle prédictif pour estimer les profils de vente saisonniers et affiner les prévisions. • Développement d’un modèle de pricing basé sur l’attractivité produit, intégrant estimation de la décroissance de la demande, calcul d’élasticité, clustering et simulation de ventes pour recommander le prix optimal. • Développement d’applications Streamlit pour le modèle de prédiction des profils de vente et pour le modèle de pricing. • Déploiement des applications sur Cloud Run et Snowflake. Analyses ponctuelles : • Analyse de la stratégie des prix (impact des nouveaux prix sur les ventes) • Analyse de la performance de vente par segment client (âge, genre, ancienneté, …) • Analyse des prédictions des ventes réalisées par des prestataires externes (comparaison avec les ventes réelles) Environnement technique : Python, Pandas, SQL, Snowflake, Streamlit, GCP, BigQuery, Vertex AI, Cloud Run, Cloud Storage, NumPy, Matplotlib, Plotly, Scikit-learn, XGBoost, LightGBM, K-Means, séries temporelles, statsmodels, Prophet (Meta) , Excel.

Mission chez DELTA FOODS Data engineering : • Collecte, nettoyage et structuration de données multi-sources. • Normalisation et préparation de datasets fiables pour la modélisation (Python, Pandas, SQL). • Développement et automatisation d’un pipeline complet de traitement des données (Python + SQL + Talend). Data analyse : • Analyse des ventes : saisonnalité, tendances marché, performance produit/gamme, segmentation client. • Analyse des coûts matières, marges et rotations pour optimiser la performance commerciale et la rentabilité. • Construction et automatisation de reportings : quotidien, hebdomadaire, mensuel et annuel. • Création de tableaux de bord Power BI et Excel pour le pilotage opérationnel. • Segmentation produits/clients (clustering) et analyse des comportements d’achat. Machine learning : • Développement de modèles prédictifs pour prévoir les ventes et anticiper les niveaux de stock, optimisant le planning de production et réduisant ruptures et surstocks. • Développement d’un modèle de pricing intégrant coûts matière, saisonnalité et tendances marché pour recommander des prix optimisés. • Optimisation des modèles pour améliorer la précision des prévisions et recommandations. Environnement technique : Python, Pandas, NumPy, SQL, Scikit-learn, Prophet, ARIMA, LightGBM, Talend, Power BI, SQL Server, Excel.

• Modélisation, structuration et optimisation des bases de données PostgreSQL utilisées par les applications internes. • Développement d’interfaces back-end, permettant d’exposer, filtrer et agréger les données de manière fiable pour les utilisateurs et les dashboards internes. • Écriture de requêtes SQL pour l’extraction, l’analyse et le reporting de données opérationnelles. • Développement de scripts Python pour automatiser les tâches répétitives (nettoyage de données, mise à jour de tables, vérifications d’intégrité), réduisant la charge manuelle des équipes. • Contribution à l’amélioration de la qualité des données : correction d’anomalies, vérification des règles d’intégrité, normalisation des structures et optimisation des performances. • Collaboration avec l’équipe projet pour transformer des besoins métier en modèles de données efficaces, en garantissant la cohérence et la performance des requêtes critiques. • Développement d’outils internes de consultation et de visualisation simple (tableaux, exports Excel/CSV) pour aider les équipes à mieux exploiter les données. Environnement technique : Python, Django, SQL, PostgreSQL, HTML/CSS, JavaScript (jQuery).

• Préparation et structuration de contenus techniques (Python, SQL, bases de données, algorithmique, développement web, analyse de données, Excel). • Explication et vulgarisation de concepts complexes à des publics variés. • Conduite de projets techniques (développement web, robotique, mini-projets orientés data). • Analyse et évaluation des compétences (suivi individuel, indicateurs de progression). • Gestion de situations complexes (adaptation des méthodes, résolution de conflits, maintien du cadre). Environnement technique : Python, Pandas, SQL, Excel, HTML, CSS, JavaScript, PHP, MySQL.