Ce que je peux vous apporter

✅ **Détection d'Insights**
✅ **Aide à la décision**
✅ **Analyse de tendances**
✅ **Résolution de problèmes**
✅ **Esprit critique**
✅ **Amélioration continue**

Compétences Techniques

Data Engineering Data Analysis Data Computing & Bases de Données
Python, SQL, AWS, Hadoop, Pyspark, Docker, Git Kibana, Power BI, Excel, Pandas, NumPy, Matplotlib, Seaborn Scikit-learn, TensorFlow, MySQL, PostgreSQL

Analyse des accidents routiers en France des mineurs de -10 ans

Ce projet a pour but de sensibiliser aux dangers de la route pour les plus jeunes. J'ai réalisé une analyse exploratoire avant de prédire la gravité des accidents en fonction de plusieurs facteurs.

Nombre d'accidents selon les conditions météorologiques Répartition des accidents selon l'utilisation d'un siège auto Répartition des accidents selon l'utilisation de la ceinture Voir le projet

Dashboard d'analyse des ventes de forfaits téléphoniques

Ce projet explore les données de ventes de SmartFun Telecom Ltd, notamment les forfaits téléphoniques, fournissant des insights grâce à des visualisations et analyses statistiques. Visualisation de données avec Power BI, analyse de ventes de forfaits téléphoniques, analyse temporelle, création d’user-story afin de définir les KPI, modélisation des données fournis.

Rapport de ventes SmartFun Telecom Rapport de ventes SmartFun Telecom analyse spatiale Rapport de ventes SmartFun Telecom analyse temporelle Rapport de ventes SmartFun Telecom analyse comparative Voir le projet

Dashboard d'analyse de recouvrement de créances

Ce projet analyse les données de recouvrement de créances, fournissant des KPI clés à travers des visualisations et analyses statistiques. Visualisation de données avec Power BI, création d’un dashbord contenant les insights corrects avec l’analyse de créances , le calcul du DSO(Délai de paiement des Créances moyen ), créance cumulée et taux de recouvrement.

KPI de recouvrement de créances Voir le projet

Machine Learning Supervisé

J'ai construit un modèle de régression pour prédire la consommation énergétique de bâtiments, évalué avec des métriques comme RMSE, R² et MAE. Différents algorithmes ont été testés : SVR, RandomForest, Elastic Net, LGBM.

Résultats de régression Voir le projet

Machine Learning Non Supervisé

Projet de clustering de données clients e-commerce avec K-means, DBSCAN et PCA, pour segmenter les clients en groupes significatifs.

Jeu de donnée original Segmentation de clients e-commerce Voir le projet