Yannick Querin

- 𝗗𝗲́𝘃𝗲𝗹𝗼𝗽𝗽𝗲𝗺𝗲𝗻𝘁 𝗲𝘁 𝗱𝗲́𝗽𝗹𝗼𝗶𝗲𝗺𝗲𝗻𝘁 𝗱𝗲 𝗺𝗼𝗱𝗲̀𝗹𝗲𝘀 𝗱𝗲 𝗽𝗿𝗲́𝗱𝗶𝗰𝘁𝗶𝗼𝗻 𝘀𝘂𝗿 𝘀𝗲́𝗿𝗶𝗲𝘀 𝘁𝗲𝗺𝗽𝗼𝗿𝗲𝗹𝗹𝗲𝘀 (𝗠𝗮𝗰𝗵𝗶𝗻𝗲 𝗟𝗲𝗮𝗿𝗻𝗶𝗻𝗴) pour optimiser la publication sur vente (PSV) au sein de la gamme F&L (fruits et légumes), experimentant l’𝗔/𝗕 𝗧𝗲𝘀𝘁𝗶𝗻𝗴 et le 𝗯𝗮𝗰𝗸𝘁𝗲𝘀𝘁𝗶𝗻𝗴. Benefices produits: +𝟴 % 𝗱𝗲 𝗽𝗿𝗲́𝗰𝗶𝘀𝗶𝗼𝗻 𝗺𝗼𝘆𝗲𝗻𝗻𝗲 sur l’ensemble des prévisions produits, améliorant la fiabilité des décisions opérationnelles. - 𝗟𝗶𝘃𝗿𝗮𝗶𝘀𝗼𝗻 𝗱’𝘂𝗻 𝗺𝗼𝗱𝗲̀𝗹𝗲 à l’équipe ATP, directement exploitable dans leurs processus décisionnels, permettant de mieux anticiper la demande et d’optimiser la disponibilité des produits en magasin. - 𝗔𝘂𝘁𝗼𝗺𝗮𝘁𝗶𝘀𝗮𝘁𝗶𝗼𝗻 𝗵𝗲𝗯𝗱𝗼𝗺𝗮𝗱𝗮𝗶𝗿𝗲 𝗱𝘂 𝗽𝗿𝗼𝗰𝗲𝘀𝘀𝘂𝘀 𝗱𝗲 𝗽𝗿𝗲́𝘃𝗶𝘀𝗶𝗼𝗻 𝘃𝗶𝗮 𝗔𝗶𝗿𝗳𝗹𝗼𝘄, incluant le 𝘃𝗲𝗿𝘀𝗶𝗼𝗻𝗶𝗻𝗴 𝗱𝗲𝘀 𝗺𝗼𝗱𝗲̀𝗹𝗲𝘀 et l’industrialisation sur le cloud (GCP). Benefices produits: 𝗴𝗮𝗶𝗻 𝗱𝗲 𝘁𝗲𝗺𝗽𝘀 𝗱𝗲 𝗽𝗹𝘂𝘀𝗶𝗲𝘂𝗿𝘀 𝗷𝗼𝘂𝗿𝘀 𝗽𝗮𝗿 𝗰𝘆𝗰𝗹𝗲, réduction des erreurs manuelles, et déploiement du processus sur différents magasins. - 𝗖𝗿𝗲́𝗮𝘁𝗶𝗼𝗻 𝗱𝗲 𝗱𝗮𝘀𝗵𝗯𝗼𝗮𝗿𝗱𝘀 𝗯𝘂𝘀𝗶𝗻𝗲𝘀𝘀 (𝗞𝗣𝗜𝘀 𝗱𝗲 𝗰𝗼𝗻𝗳𝗼𝗿𝗺𝗶𝘁𝗲́, 𝗖𝗔, 𝗶𝗺𝗽𝗮𝗰𝘁 𝗱𝗲𝘀 𝗽𝗿𝗲́𝘃𝗶𝘀𝗶𝗼𝗻𝘀) pour mesurer et piloter les résultats, facilitant la communication entre équipes techniques et métiers. 𝗖𝗼𝗺𝗽𝗲́𝘁𝗲𝗻𝗰𝗲𝘀: Data Science, Big Data •Python •GCP (SQL, Airflow) • GitLab

- Analyse de sentiments sur Twitter -- Data Analyst junior (Projet partenaire SALTO - 2 mois): Récupération des tweets à l'attention de Salto (API, Web Scraping avec mention 'SALTO'). Preprocessing des données (algorithme d'apprentissage textuelle: NLP). Classification des tweets (positive, négative, neutre). Visualisation des résultats, et déploiement du modèle sur Google Cloud Platform: évolution du nombre de tweets négatifs et positifs par mois (Dashboard), top programmes les plus cités (reconnaissance des entités nommées). Technos: GCP(BigQuery, Natural Language), Google Data Studio, Python (NLTK, Regex, Plotly) - Application pour une recommendation de films – Data Analyst junior (Projet pédagogique - 5 semaines):​ Analyse de la base de données IMDb (nettoyage, formatage), statistiques sur les films. Création du modèle de Machine Learning : algorithme d'apprentissage automatique(KNN), par similarité des types, genres de films. Intégration du modèle de recommendations sur une application web (Dash). Technos: Python, Numpy, Pandas, Seaborn, Plotly, SciKit-learn, Dash - Création d'un dashboard de KPIs pour la société Toy's & Cie – Data Analyst junior (Projet pédagogique- 3 semaines): ​ Création de requêtes SQL pour l'exploitation des KPIs afin d'orienter les décisions auprès des managers. ​ Technos: MySQL Workbench, Google Data Studio​

​Projet sous SAS/SQL sur l’analyse du taux de fréquentation du site du Master: Données statistiques sur les fichiers bruts, mise en place de segmentations, catégorisations de variables et reporting, élaboration de requêtes.

Traitement d’images (tirage aléatoire de pixels) sur des données satellitaires (images hyperspectraux) ​ Application, et simulation de l'algorithme MCMC (Algorithme de Recuit Simulé) ​ Technos: R