Mamadou D.

▸Contexte : L’entreprise avait besoin d’un reporting plus fiable pour suivre ses KPI métiers et mieux exploiter ses données opérationnelles. Les traitements existants prenaient du temps et demandaient davantage d’automatisation pour gagner en efficacité.

▸Actions : J’ai nettoyé, modélisé et visualisé les données avec Python afin de les rendre exploitables par les équipes métier. J’ai également conçu des tableaux de bord Power BI pour automatiser le suivi des indicateurs et structurer le reporting hebdomadaire.

▸Résultats : Les rapports récurrents ont été automatisés, ce qui a réduit le temps de traitement de 30%. Les équipes ont pu consulter des indicateurs plus clairs, plus fiables et plus rapidement exploitables dans leur pilotage quotidien.

▸Contexte : La mission consistait à analyser plusieurs millions de lignes DVF afin de produire des indicateurs fiables sur le marché immobilier. L’enjeu était de transformer des données brutes en informations compréhensibles pour aider les équipes métier à prendre de meilleures décisions.

▸Actions : J’ai requêté, intégré et structuré les données sous SQL Server (SSSM) pour fiabiliser l’extraction et la préparation de l’information. J’ai ensuite utilisé Python et SQL pour construire des indicateurs de performance et des tableaux de synthèse adaptés aux besoins métier.

▸Résultats : Les équipes ont disposé d’indicateurs exploitables pour mieux comprendre les dynamiques du marché. La qualité de l’analyse a été renforcée grâce à une meilleure structuration des données et à des restitutions plus lisibles.

▸Contexte : L’entreprise avait besoin de suivre ses performances d’activité et d’anticiper certaines évolutions opérationnelles. Les équipes avaient aussi besoin d’un meilleur suivi visuel pour piloter l’activité plus facilement.

▸Actions : J’ai mis en place des modèles statistiques pour analyser les évolutions d’activité et produire des éléments de prévision. J’ai également développé des dashboards Power BI pour assurer un suivi en temps réel des performances et automatiser certains traitements avec Python et R.

▸Résultats : Les mises à jour hebdomadaires ont été fiabilisées et les équipes ont gagné en visibilité sur l’activité. Les tableaux de bord ont permis un pilotage plus réactif et plus structuré des performances.