Transformer les données en décisions produit et en solutions ML déployées décisions concrètes .
De la donnée à la décision Données Collecter et préparer Analyse Explorer et comprendre Modélisation Entraîner et évaluer Déploiement Mettre en production Impact Suivre et mesurer Domaines d’expertise Là où j’interviens, du cadrage métier à la mise en production.
Modélisation prédictive Construction de modèles de prévision et de classification pour l’aide à la décision.
Scoring & segmentation Identification et hiérarchisation des populations à forte valeur ou à risque.
Industrialisation ML Déploiement et supervision de modèles en environnement de production.
Analyse statistique Interprétation des données pour orienter les décisions métier.
Reporting & visualisation Construction de tableaux de bord et d’indicateurs pour aider à la prise de décision.
Comment j’aborde un problème data La même démarche sur chaque projet, du besoin au suivi.
01 Compréhension du besoin métier Cadrer l’objectif et les contraintes avant toute modélisation.
02 Exploration des données Comprendre la qualité, les biais et la structure des données.
03 Modélisation Choisir et entraîner les modèles adaptés au problème.
04 Validation Évaluer la performance et la robustesse sur des critères métier.
05 Déploiement Rendre le modèle utilisable en conditions réelles.
06 Suivi des performances Surveiller la dérive et maintenir la fiabilité dans le temps.
Études de cas Trois problèmes métier réels, traités de bout en bout.
Étude de cas : analyse du risque d’attrition client
Comment prioriser les actions de rétention ? Résultat clé Priorisation des clients selon leur probabilité de départ.
Contexte Anticiper le départ des clients d’un service par abonnement.
Problème métier Identifier en amont les clients à risque pour concentrer les actions de rétention sur les bons clients.
Décision éclairée Identifier les clients à contacter en priorité.
Voir la démarche complète Réduire la démarche La situation ! Une entreprise par abonnement perd des clients chaque mois. Personne ne sait lesquels vont partir.
↓ La décision à prendre Qui contacter en priorité pour les retenir ? On ne peut pas appeler tout le monde. Les nouveaux clients ? Les moins actifs ? Les plus dépensiers ?
↓ Les questions à explorer Les clients qui partent se ressemblent-ils ? Leur activité baisse-t-elle avant le départ ? Certains signes passent-ils inaperçus ? Les indices à disposition ↓ L’investigation Comment j’ai procédé Données clients ↓ Repérage des signes de départ ↓ Un score de risque par client ↓ Liste de clients à contacter ↓ Ce que les données révèlent Les clients à risque montrent des signes avant de partir. Certains profils partent bien plus que d’autres.
La décision rendue possible Contacter en priorité les clients les plus à risque.
L’impact L’équipe ne rappelle plus tout le fichier : elle commence par les clients qui risquent vraiment de partir.
Réduire la démarche Étude de cas : segmentation client et aide au ciblage marketing
Comment mieux cibler les campagnes marketing ? Résultat clé Segments directement exploitables pour personnaliser les campagnes.
Contexte Mieux cibler les campagnes marketing d’un e-commerce (problématique abordée durant mon stage chez Micropole).
Problème métier Les campagnes traitaient tous les clients de façon uniforme, sans tenir compte des comportements.
Décision éclairée Déterminer quels segments cibler.
Voir la démarche complète Réduire la démarche La situation ! Les campagnes marketing sont envoyées à tous les clients de la même manière. Les résultats déçoivent.
↓ La décision à prendre Quels clients faut-il cibler en priorité ? Difficile à dire sans regarder les données. Les clients fidèles ? Les clients inactifs ? Les gros acheteurs ?
↓ Les questions à explorer Qui achète souvent ? Qui dépense le plus ? Qui ne revient presque jamais ? Existe-t-il des groupes naturels ? Les indices à disposition ↓ L’investigation Comment j’ai procédé Données clients ↓ Regroupement par habitudes d’achat ↓ Profils de clients identifiés ↓ Recommandations pour les campagnes ↓ Ce que les données révèlent Tous les clients ne se ressemblent pas. Des groupes nets apparaissent dans les données.
La décision rendue possible Adapter chaque campagne au profil du client.
L’impact Les campagnes partent vers les bons clients, et le budget est moins gaspillé.
Réduire la démarche Étude de cas : pricing et estimation de la demande
Comment fixer un prix à partir des données ? Contexte Recommander un prix de vente qui optimise la marge.
Problème métier Fixer un prix sans estimation de la sensibilité de la demande au prix. Sans cette estimation, chaque hausse est un pari.
Décision éclairée Fixer le prix en connaissant son effet attendu sur les ventes.
Voir la démarche complète Réduire la démarche La situation ! Les coûts augmentent et les marges se resserrent. La direction veut revoir les prix.
↓ La décision à prendre Comment préserver les marges sans faire chuter les ventes ? Augmenter les prix ? Sur quels produits ? De combien ?
↓ Les questions à explorer Que se passe-t-il quand le prix augmente ? Tous les produits réagissent-ils pareil ? À partir de quand la demande baisse-t-elle ? Les indices à disposition ↓ L’investigation Comment j’ai procédé Données de ventes ↓ Lien entre prix et demande ↓ Estimation de la demande ↓ Prix recommandé ↓ Ce que les données révèlent Tous les produits ne réagissent pas de la même manière aux variations de prix. Certains supportent une hausse sans perdre de volume.
La décision rendue possible Arbitrer entre l’augmentation des marges et le maintien des volumes de vente.
L’impact Le prix de chaque produit peut s’appuyer sur la demande estimée, plutôt que sur l’habitude.
−23 % d’erreur de prédiction en moins qu’une méthode de référence. L’outil est testable en ligne.
Réduire la démarche Expérience Avr 2025 – Oct 2025
Data Scientist · Stage de fin d’études Micropole (Groupe Talan) · Paris
Contexte du projet : Mieux comprendre les comportements d’achat clients afin d’optimiser le ciblage marketing, les recommandations produits et les actions de fidélisation pour une entreprise de e-commerce.
Segmentation des clients à partir des données d’achat et de navigation pour identifier des profils aux comportements distincts Analyse des paniers d’achat pour repérer les produits fréquemment achetés ensemble et améliorer la logique de recommandation Construction de segments et d’associations de produits utilisables tels quels par les équipes marketing Formulation de recommandations pour les campagnes de fidélisation, de relance et de ventes additionnelles Contribution à une meilleure structuration des campagnes marketing, avec un ciblage et des offres mieux alignés sur les comportements clients Python SQL GCP Vertex AI BigQuery MLflow
Technologies utilisées régulièrement Les outils que j’utilise régulièrement, par domaine.
Statistiques Analyse exploratoire Tests d’hypothèses Économétrie
Approches Régression Classification Clustering Prévisions
Shiny Tableaux de bord KPI Reporting Vertex AI Formation Master Statistique Appliquée
Spécialisation Data Science & Machine Learning
Spécialisation en modélisation statistique, scoring, machine learning et analyse prédictive, avec une pratique régulière de grands volumes de données.
Licence Économie
Université de Bourgogne
Fondements en économie quantitative, statistiques et mathématiques appliquées.
Français
Langue maternelle
Certifications SAS Certified Statistical Business Analyst Publications Ce que j’écris et lis pour rester à jour.