Mathieu Su

Contexte : rôle transverse entre Data, Shop, Customer Experience, Supply, Ops et Tech pour analyser les parcours clients/pros, fiabiliser les données et livrer des outils internes opérationnels.

• • A/B tests produit et business : cadrage, instrumentation et analyse de tests sur les boosted slots, la fréquence d'affichage, les appels anti-churn, le changement de prix et les parcours de conversion ; définition des populations, groupes de contrôle, KPIs, fenêtres d'observation et règles de décision.

• • Analyse statistique d'expériences : comparaison control/treatment, lecture de significativité, analyses par pays, zone, prestation, fréquence, weekday/time slot et segment client ; restitution des impacts sur order rate, conversion, rétention, churn, recurring et GMV.

• • Pricing analytics : analyses des changements de prix, historique des prix ménage, détection des effets par segment et construction d'une logique de prédiction/monitoring pour anticiper les zones ou prestations sensibles avant déploiement.

• • Modèles churn clients : construction de datasets d'entraînement BigQuery/Python, feature engineering sur historique de commandes, réclamations, conversations support, futures commandes/potentials, récence, fréquence et GMV ; comparaison de modèles et production de listes priorisées rate, prediction, Lovable

• • Conception d'une base PostgreSQL pour centraliser des données issues de plusieurs sources dans le cadre d'un POC informatique.

• • Extraction, nettoyage, transformation et injection de données avec Python, Psycopg2 et SQLAlchemy.

• • Animation d'ateliers métier pour cadrer les besoins, clarifier les règles de gestion et valider la qualité des données livrées.

Environnement : PostgreSQL, Python, Psycopg2, SQLAlchemy, SQL.

• • Migration de dashboards métiers vers Power BI et suivi d'indicateurs de performance pour les équipes opérationnelles.

• • Extraction SQL, création de tables analytiques, nettoyage, profiling et automatisation de reportings avec Power Automate.

• • Modélisation prédictive pour estimer le volume de nouveaux prospects selon le budget investi par canal marketing.

• • Collaboration avec les équipes vente, marketing et IT pour transformer les besoins métier en analyses et tableaux de bord exploitables.

Environnement : SQL, Power BI, Python, Pandas, scikit-learn, Plotly, Power Automate.