Données
Préparer, nettoyer et analyser des données avec Pandas et SQL.
EXPÉRIENCE 01 · DATA & INTELLIGENCE ARTIFICIELLE
LYON · DATA & IA
2024 — 2025
Chef de projet IA
TC Concept · Lyon
J’ai travaillé sur des problématiques de données métier : préparation des données, prédiction de la transformation des devis et visualisation d’indicateurs pour les équipes.
PythonPandasScikit-learnSQLPower
BIAnalyse métier
01 — RESPONSABILITÉS
Relier les données
aux décisions.
Mon rôle couvrait la gestion et le suivi de projets Data & IA, l’analyse des problématiques métier et la collaboration avec les équipes comptabilité, IT et data governance.
Prédiction
Développer des modèles prédictifs en Python, Pandas et Scikit-learn.
Reporting
Créer des tableaux de bord Power BI pour le suivi des indicateurs et l’aide à la décision.
ACTIVITÉ 01 — CONTRÔLE DE GESTION
REFONTE DU REPORTING · POWER BI
Remplacer les manipulations Excel
par un pilotage actualisé.
Le chantier Power BI couvrait deux besoins. D’une part, refaire dans Power BI les graphiques Excel utilisés par les chefs d’agence pour le suivi de performance et la gouvernance des données. D’autre part, reprendre en profondeur la gestion budgétaire : son fichier Excel rassemblait de nombreux tableaux, formules, macros VBA et sources de données différentes. Il a fallu ramener et formater ces données, effectuer certains précalculs et simplifier l’ensemble pour obtenir un fonctionnement cohérent et durable.
Le cube centralise les données de TC Concept utiles aux restitutions. Les affichages de contrôle de gestion ont été reconstruits dans Power BI afin de fournir aux agences une lecture commune, actualisée automatiquement, et de remplacer les traitements manuels récurrents.
Performance & data governance
Refaire les graphiques Excel utilisés par les chefs d’agence pour suivre les performances et piloter la gouvernance des données.
Reprendre un modèle complexe
Réunir les sources, tableaux, formules et macros VBA, puis formater et précalculer les données utiles avant leur restitution.
Cube & actualisation
Structurer les données consolidées dans un cube et alimenter des vues Power BI partagées, actualisées automatiquement.
Sources multiples · Excel / VBA→Préparation & cube centralisé→Modèle Power BI→Vues de gestion actualisées
Voir le projet Power BI ↗
ACTIVITÉ 02 · PROJET PRICING · CANALISATION INOX
Lire la position d’un client
dans sa zone de marge.
Le plan met en relation la marge actuelle et le taux de transformation des clients. Les repères du rapport aident à comparer la famille, situer les clients et guider les ajustements de prix.
Centre pondéré par le CAPosition moyenne de la famille, où les clients qui pèsent davantage
dans le chiffre d’affaires ont plus d’influence.
Centre non pondéréMoyenne simple des positions clients : chaque client compte de façon
équivalente.
Zone cibleLes pointillés bleus délimitent une zone autour du centre et servent de repère pour
calibrer les pas d’ajustement.
Limite d’acceptationLa marge minimale de vente est définie selon la taille de l’affaire et
celle de l’entreprise cliente.
MODE DE LECTURE INTERACTIF
Quatre zones pour orienter l’analyse.
Survole, touche ou sélectionne une zone pour afficher sa lecture. Le schéma explique la logique métier ; les seuils réels viennent du référentiel de marge.
TAUX DE TRANSFORMATION
LECTURE DE LA ZONESélectionne un quadrant
Les quatre zones combinent niveau de marge et taux de transformation pour rendre la stratégie de prix plus lisible.
MARGE ACTUELLE
DU DIAGNOSTIC À L’ACTION
Un repère de décision lisible.
Le nuage situe les clients dans leur famille ; la surface traduit ces positions en pas d’ajustement proposés. Les repères de marge minimale permettent de conserver le cadre de rentabilité défini pour la taille de l’affaire et de l’entreprise.
Position client→Zone métier→Pas de
marge
COMPÉTENCES MOBILISÉES
Analyse, pilotage & Data.
Compétences décrites dans le CV et illustrées par le projet Pricing.
Préparer et modéliser
- Python, Pandas et scikit-learn
- Machine Learning et classification
- Développement et comparaison de modèles prédictifs
- LightGBM et préparation des variables métier
- Préparation, nettoyage et analyse de données
- Création et comparaison de variables métier
- LightGBM et analyse des scores F1 / AUC
Rendre les indicateurs lisibles
- Power BI et conception de tableaux de bord
- Reconstruction des vues de contrôle de gestion à partir d’un cube de données centralisé
- Automatisation de l’actualisation et mise à disposition d’une lecture commune aux agences
- Accompagnement des équipes dans la prise en main des nouveaux affichages
- SQL et exploration de données
- Analyse des indicateurs F1, AUC et taux de transformation
- Lecture des résultats par catégorie et segment
- Suivi d’indicateurs métier et analyse par segment
- Visualisation des devis, marges et taux de transformation
Du besoin à la restitution
- Gestion et suivi de projets Data & IA
- Analyse et formalisation des problématiques métier
- Collaboration avec équipes métier et techniques
- Échanges avec comptabilité, IT et gouvernance des données
- Communication des résultats pour l’aide à la décision
02 — CAS D’ÉTUDE
Prédire la
transformation des devis.
Le rapport Pricing présente les étapes de préparation, les modèles comparés et les indicateurs par catégorie. La page dédiée propose une lecture visuelle et anonymisée des principaux résultats du projet.
Voir l’étude Pricing ↗Le projet Pricing m’a permis de relier les données métier à la modélisation et à l’analyse par segment, puis de partager ces résultats sous une forme lisible pour les équipes.