Abderrezzak B.

⋄ Suivi et optimisation de la performance commerciale : analyse hebdomadaire CA, trafic,

taux de transformation, panier moyen, évaluation des opérations (promotions, temps forts) et

propositions d'actions correctives. ⋄ Conception et automatisation de dashboards sur Looker Studio via dbt pour le pilotage en temps réel des performances commerciales, marketing et client. ⋄ Modélisation dbt des avantages du programme de fidélité en automatisant les logiques

d'attribution et de consommation via des stratégies incrémentales et l'historisation des flux. ⋄ Conception d'un modèle prédictif de churn en Machine Learning, s'appuyant sur des ex tractions de données SQL optimisées, pour identifier les profils à risque et déclencher des

campagnes de rétention ciblées. ⋄ Segmentation dynamique et analyse RFM (Récence, Fréquence, Montant) des clients pour

identifier les segments à forte valeur et personnaliser les stratégies d'activation et de fidélisa

tion.

⋄ Nettoyage, structuration et mise en qualité de jeux de données liés à l'usage des bornes de

recharge électrique, afin de garantir la fiabilité des analyses et des indicateurs de performance.

⋄ Réalisation d'analyses exploratoires sur la disponibilité et la performance du réseau de

bornes (taux d'utilisation, saturation, périodes de pointe), pour identifier les zones et créneaux

sous tension. ⋄ Analyse des comportements d'utilisation des bornes (fréquentation, durée d'occupation,

répartition géographique) en croisant données opérationnelles et données territoriales issues

de l'INSEE. ⋄ Exploitation des données via Python et des bibliothèques de géo-analyse GeoPandas afin de

produire des analyses spatiales et des visualisations facilitant l'aide à la décision.

⋄ Modélisation prédictive des déséquilibres par des algorithmes de Machine Learning pour

anticiper les écarts entre l'offre et la demande et identifier les zones à risque de sous-capacité.

⋄ Analyse de corrélation et Feature Engineering des variables clés (saisonnalité, météo, événe

ments historiques) pour affiner la précision des prédictions de flux. ⋄ Segmentation et Clustering géographique des comportements de marché pour adapter les modèles de forecasting aux spécificités locales et aux variations de la demande. ⋄ Évaluation de la performance et Backtesting des modèles pour mesurer la fiabilité des

prédictions par rapport au réel et assurer l'amélioration continue des scores.