Des données complexes aux décisions utiles.

Quatre études de cas qui présentent mon travail en analyse métier, BI, qualité produit IA et customer insights — sans exposer de données confidentielles.

Des projets qui relient donnée, métier et produit

Des études de cas anonymisées, centrées sur la méthode, les décisions et les résultats.

Décision métier

Relier les indicateurs à une question business et à une action concrète.

Qualité des données

Vérifier les données et rendre les indicateurs suffisamment fiables pour décider.

Produit IA

Tester des workflows IA, qualifier les incidents et sécuriser les mises en production.

Customer insights

Transformer données marché et feedback client en recommandations actionnables.

Produit IA

Fiabiliser un produit IA avant son passage en production

LLM QAAPISalesforceLinear
!
Enjeu
Sécuriser des parcours d’un produit IA où des cas limites, des intégrations et des réponses LLM pouvaient dégrader l’expérience avant la mise en production.
↗
Approche
Transformer les retours de test en tickets actionnables et créer un langage commun entre produit, technique et opérations.
✦
Contribution
J’ai testé les parcours dans la Sandbox, vérifié les intégrations API et Salesforce, évalué des prompts LLM et assuré le suivi de plus de 200 incidents dans Linear jusqu’à leur résolution.
✓
Résultat
Une visibilité continue sur la qualité des parcours et des retours plus exploitables pour prioriser les correctifs avant les déploiements.

Repères

Informations non confidentielles
200+
Incidents suivis
Dev → Prod
étapes
Sandbox & API
Périmètre
Ma méthode⌄
  • Formalisation de cas de test couvrant les parcours métier et les cas limites.
  • Vérification des réponses LLM avec une attention portée à la cohérence et à l’utilisabilité.
  • Qualification, documentation et suivi des incidents dans Linear.
  • Coordination des retours entre environnement Sandbox, API, Salesforce et équipes internes.
Voir le détail→
EDHEC Business SchoolCustomer insights

Identifier les signaux qui rendent un avis client utile

PythonXGBoostNLPCustomer insights
!
Enjeu
Comprendre quels éléments d’un avis produit aident réellement les autres clients à prendre une décision, au-delà du simple nombre d’étoiles.
↗
Approche
Construire un jeu de variables combinant informations transactionnelles et caractéristiques textuelles, puis comparer leur contribution prédictive.
✦
Contribution
Dans mon mémoire, j’ai analysé 50 000 avis Amazon de produits bébé, créé 17 variables et entraîné un modèle XGBoost pour estimer l’utilité perçue des avis.
✓
Résultat
Les achats vérifiés et la présence d’images ressortent comme les signaux les plus importants, suivis par la longueur de l’avis.

Repères

Informations non confidentielles
50 000
Avis analysés
17
Variables
XGBoost
Modèle
Ma méthode⌄
  • Préparation et exploration d’un échantillon de 50 000 avis produits.
  • Création de variables associées au contenu, à la crédibilité et au contexte de publication.
  • Entraînement et interprétation d’un modèle XGBoost.
  • Traduction des résultats en implications pour les équipes marketing et e-commerce.
Voir le détail→
Qualité des données

Faire parler les KPI retail et e-commerce

Power BIRetailE-commerceData governance
!
Enjeu
Rendre les indicateurs retail et e-commerce comparables et utiles pour des équipes aux besoins opérationnels différents, tout en soutenant la qualité des données.
↗
Approche
Combiner le suivi des KPI avec une coordination étroite entre interlocuteurs métier et IT afin de clarifier les définitions, les besoins et les priorités.
✦
Contribution
J’ai contribué au suivi d’indicateurs de quatre maisons dans Power BI, à des sujets de gouvernance de données et à la coordination d’échanges entre équipes business et techniques.
✓
Résultat
Une lecture plus partagée des KPI et un support renforcé aux rituels de pilotage retail et e-commerce.

Repères

Informations non confidentielles
4
Maisons
Retail + e-com
Canaux
Power BI
Outil BI
Ma méthode⌄
  • Suivi et consolidation d’indicateurs retail et e-commerce dans Power BI.
  • Participation à des sujets de gouvernance et de qualité des données.
  • Coordination entre besoins métier, reporting et équipes IT.
  • Adaptation des analyses aux contextes de quatre maisons.
Voir le détail→
Décision métier

De tableaux de bord à des décisions de catégorie

Power BINielsenKantarCategory management
!
Enjeu
Aider une équipe catégorie à distinguer les signaux réellement utiles dans des données de ventes et de consommation multiples, notamment lors de l’analyse de la sortie de Carrefour.
↗
Approche
Relier les KPI de marché et de performance commerciale à une question métier claire, puis rendre l’analyse accessible dans des tableaux de bord réutilisables.
✦
Contribution
J’ai produit plus de 50 tableaux de bord pour deux marques, suivi plus de 10 KPI de ventes et de consommation via Nielsen et Kantar, et contribué à décomposer l’impact du départ de Carrefour.
✓
Résultat
Des analyses plus structurées pour les échanges catégorie et une base commune pour interpréter les évolutions de performance.

Repères

Informations non confidentielles
50+
Tableaux de bord
10+
KPI suivis
2
Marques
Ma méthode⌄
  • Construction et mise à jour de tableaux de bord à partir d’indicateurs de ventes et de consommation.
  • Analyse des tendances de marché, de la catégorie et des performances de marque.
  • Lecture de l’impact d’un changement de distribution avec une approche de décomposition.
  • Restitution des résultats sous une forme adaptée aux besoins d’une équipe métier.
Voir le détail→