Responsable du parcours Data Analyst

Formateur Data et Intelligence Artificielle Générative | Responsable pédagogique

Airfrance-KLM

<h2>✈️ Analyse des Données Opérationnelles et Tarifaires Air France-KLM (Python)</h2>Compétences Clés : Python (Pandas, Matplotlib/Seaborn), Analyse Exploratoire de Données (EDA), Nettoyage et Préparation de Données, Séries Temporelles, Analyse de Rentabilité.<h3>Objectif et Méthodologie</h3>Réalisation d'une analyse exploratoire de données (EDA) approfondie sur un jeu de données simulant les opérations et les tarifs d'Air France-KLM. Le but était de décrypter les relations entre les variables opérationnelles (ponctualité, taux d'annulation) et les variables commerciales (revenus, stratégies tarifaires).<h3>Réalisations et Impact</h3><ul><li>Nettoyage et Préparation Massive de Données : Utilisation de la librairie Pandas pour gérer et nettoyer des ensembles de données volumineux (flight logs, données tarifaires, historique des réservations), incluant la gestion des valeurs manquantes et la standardisation des codes de vol et d'aéroports.</li><li>Analyse de la Performance Opérationnelle : Création d'indicateurs de performance (KPIs) via Python pour évaluer l'impact des retards et annulations sur la satisfaction client et la rentabilité. Visualisation des tendances de ponctualité par axe de vol et par saison (avec Matplotlib/Seaborn).</li><li>Analyse Tarifaire et de Rentabilité : Étude de la variabilité des prix des billets d'avion en fonction de facteurs comme la classe de voyage, le taux de remplissage et le temps restant avant le départ. Identification des périodes et des routes offrant la meilleure rentabilité (Yield Management).</li><li>Identification des Relations Clés : Découverte de corrélations inattendues entre les facteurs météorologiques et la performance des vols sur certains hubs, fournissant des recommandations pour l'optimisation des plannings et la gestion proactive des perturbations.</li></ul>

Python

pandas

PyTorch

Analyse Airfrance-KLM

Uber

<h2>🚕 Analyse des Données de Courses Uber (SQL)</h2>Compétences Clés : SQL (Requêtes Avancées, Joins, Fonctions d'Agrégation et Analytiques), Modélisation de Données (Schéma en étoile/flocon), Analyse de Performances, Structuration de Base de Données.<h3>Objectif et Méthodologie</h3>Conception et implémentation d'une série de requêtes SQL complexes visant à structurer et analyser un jeu de données simulant les courses effectuées sur la plateforme Uber. L'objectif principal était de segmenter et d'évaluer la performance selon trois axes majeurs : le trajet, le client et le chauffeur.<h3>Réalisations et Impact</h3><ul><li>Modélisation et Structuration des Données : Utilisation de clauses SQL (CREATE TABLE, INSERT INTO) pour créer une structure de base de données efficace (tables de faits et de dimensions) à partir des données transactionnelles brutes des courses.</li><li>Analyse de la Performance des Trajets : Développement de requêtes utilisant les fonctions d'agrégation (e.g., AVG(), COUNT()) et les fonctions analytiques (Window Functions) pour calculer :<ul><li>La durée moyenne des trajets par quartier (point de départ/arrivée).</li><li>L'évaluation moyenne des courses par zone géographique.</li></ul></li><li>Segmentation Client (Demande) : Utilisation de clauses JOIN et GROUP BY pour identifier les clients les plus fidèles, le type de service le plus demandé (SELECT, X, POOL), et les périodes de forte demande par catégorie d'utilisateurs.</li><li>Évaluation de la Performance Chauffeur (Offre) : Création de requêtes pour mesurer la disponibilité des chauffeurs, leur taux d'acceptation des courses, et leurs revenus moyens par heure de travail, permettant d'identifier les facteurs clés de la performance opérationnelle.</li><li>Outil d'Audit : Le projet démontre la capacité à transformer des données transactionnelles brutes en indicateurs de performance clairs, essentiels pour l'audit opérationnel et la prise de décision stratégique.</li></ul>

Structure et Analyse de différentes tables UBER 

SQL Queries

SQL databases

Analyse UBER

Datanalyser

<h2>🎾 Modèle de Prédiction des Vainqueurs des Tournois du Grand Chelem</h2>Compétences Clés : Python (Scikit-learn, Pandas, NumPy), Machine Learning Supervisé (Classification), Feature Engineering, Évaluation de Modèles (Matrice de Confusion, Précision/Rappel, F1-Score).<h3>Objectif et Méthodologie</h3>Développement d'un modèle de classification binaire (Machine Learning Supervisé) visant à prédire la victoire ou la défaite d'un joueur lors des matchs des tournois du Grand Chelem (Australian Open, Roland Garros, Wimbledon, US Open).<h3>Réalisations et Impact</h3><ul><li>Ingénierie des Caractéristiques (Feature Engineering) : Collecte et préparation de données historiques de matchs. Création de variables prédictives robustes (features) incluant les statistiques de performance antérieures (taux de victoire sur surface, forme récente, classement ATP, résultats en head-to-head).</li><li>Entraînement du Modèle : Exploration de plusieurs algorithmes de classification (comme Random Forest ou Gradient Boosting) pour déterminer l'approche la plus performante. Optimisation des hyperparamètres via la validation croisée (Cross-Validation) pour prévenir l'overfitting.</li><li>Évaluation et Interprétation : Évaluation rigoureuse des performances du modèle à l'aide de métriques clés (Précision, Rappel, F1-Score). Utilisation de techniques d'interprétabilité du modèle (Feature Importance) pour identifier les facteurs statistiques ayant le plus grand impact sur la prédiction de victoire.</li><li>Résultat : Obtention d'un modèle capable de prédire l'issue des matchs avec une précision supérieure à X% (insérer votre propre métrique si connue), démontrant la validité de l'approche data-driven dans un contexte sportif compétitif.</li></ul>

Machine Learning

BelleAura

<h2>💄 Reporting et Analyse des Ventes de Cosmétiques BelleAura (Excel Dashboard)</h2>Compétences Clés : Excel Avancé (Tableaux Croisés Dynamiques, Power Query/Pivot si utilisé, Formules Complexes, Graphiques Dynamiques), Analyse de la Performance Produit, Segmentation Client/Canal.<h3>Objectif et Méthodologie</h3>Développement d'un Dashboard de Reporting des Ventes 100% fonctionnel sous Excel pour la société de cosmétiques BelleAura. L'objectif était de fournir une vue immédiate et claire de la performance des différentes gammes de produits (soins, maquillage, parfums) et des canaux de distribution (e-commerce, magasins physiques).<h3>Réalisations et Impact</h3><ul><li>Automatisation du Reporting : Utilisation de Tableaux Croisés Dynamiques (TCD) et de Power Query (si applicable) pour importer et nettoyer automatiquement les données brutes de ventes issues du système ERP de BelleAura, assurant une mise à jour rapide du rapport.</li><li>Indicateurs de Performance (KPIs) Sectoriels : Calcul et affichage des indicateurs spécifiques au secteur de la beauté, comme le taux de rachat, la valeur moyenne des transactions (AOV), et l'évolution des ventes par segmentation produit et catégorie de prix.</li><li>Visualisations Clés : Création de graphiques conditionnels et de segments interactifs (Slicers) permettant aux utilisateurs (équipes marketing et commerciales) de filtrer instantanément les données par zone géographique, type de produit ou période promotionnelle.</li><li>Analyse Stratégique : Identification des produits 'best-sellers' vs. ceux en déclin, fournissant à BelleAura des informations précieuses pour la gestion des stocks et le lancement de campagnes promotionnelles ciblées sur les gammes les moins performantes.</li></ul>

Data Visualization

Data Analysis

Microsoft 365

Dashboard BelleAura Excel

Samsung

<h2>💻 Analyse et Visualisation des Performances de Ventes Samsung (Power BI)</h2>Compétences Clés : Power BI (DAX, Power Query), Modélisation de Données, Analyse de Ventes (KPIs), Reporting Commercial, Intelligence d'Affaires.<h3>Objectif et Méthodologie</h3>Conception et développement d'un rapport de Business Intelligence (BI) dans Power BI pour suivre et analyser les performances de vente de Samsung à travers différentes familles de produits (téléphones, télévisions, électroménager, etc.) sur plusieurs régions et périodes.<h3>Réalisations et Impact</h3><ul><li>KPIs Commerciaux Clés : Calcul et affichage des indicateurs de performance critiques (KPIs) tels que le chiffre d'affaires total, la marge brute par famille de produits, la croissance YoY (Year-over-Year) et la performance par canal de distribution.</li><li>Modélisation de Données Robuste : Construction d'un modèle de données en étoile optimisé (Schéma en étoile) pour gérer efficacement les tables de faits (ventes) et les tables de dimensions (temps, produit, région), assurant une rapidité de calcul des mesures DAX.</li><li>Analyse de la Diversité des Produits : Création de graphiques d'évolution, de "treemaps" et de "waterfalls" pour déterminer quelles familles de produits sont les plus rentables ou les plus sensibles aux saisons, permettant d'orienter les budgets marketing et la gestion des stocks.</li><li>Reporting Actionnable : Le tableau de bord permet aux équipes commerciales et de direction de filtrer les données par période ou catégorie pour identifier rapidement les produits sous-performants ou les tendances de marché émergentes.</li></ul>

Power BI

Dashboard Samsung

Airbnb

<h2>📊 Analyse des Tendances de Location Airbnb à New York</h2>Compétences Clés : Power BI, Visualisation de Données, Nettoyage de Données, Modélisation, Analyse Géospatiale.<h3>Objectif et Méthodologie</h3>Création d'un Dashboard interactif et dynamique sous Power BI pour explorer et visualiser les données détaillées des locations Airbnb (prix, disponibilité, localisation, types de chambres) dans les cinq arrondissements de New York.<h3>Réalisations et Impact</h3><ul><li>Nettoyage et Transformation de Données : Utilisation de Power Query pour nettoyer, standardiser et structurer un large jeu de données brutes, garantissant l'intégrité de l'analyse.</li><li>Visualisation Stratégique : Développement de graphiques et de cartes interactives (analyse géospatiale) mettant en évidence les tendances de prix, les zones de forte densité de locations et la répartition des avis clients.</li><li>Insights Métier : Identification des facteurs clés influençant le prix des logements (par exemple, la proximité de Manhattan ou le type de chambre), permettant de conseiller de futurs hôtes sur l'optimisation des tarifs ou des voyageurs sur la sélection d'un quartier.</li><li>Performance : Conception de mesures DAX complexes pour calculer le taux d'occupation moyen et le revenu potentiel par quartier.</li></ul>

Dashboard AirBNB New York

Certification Bureautique Excel

Data Analyst - AI Specialist

Responsable de projet

Data Analyst

Responsable Commercial Régional

Responsable commercial

Développement du portefeuille commercial d'une clientèle BtoB + Prospection de nouveaux secteurs. 
Gestion financière des coûts.

Vincent Dotigny

Data Analyst - AI Specialist

Recommandé par

À propos

Expérience de travail

Data Analyst

Responsable de projet

Responsable Commercial Régional

Responsable commercial

Responsable développement commercial

Responsable technico-commercial

Etudiant

Vendeur comptoir

Formation

Campus Pro Saint-Gobain

DataSuits

IPAG Business School

Licences et certifications