Lamine Thiao

Projet de fin d’études combinant Business Intelligence et Data Science pour l’analyse, la visualisation et la prévision des ventes dans un contexte de commerce de détail.
Le projet couvre l’ensemble du cycle de la donnée, depuis la génération et la transformation jusqu’à l’analyse et la mise en production d’une solution analytique.

🎯 Objectifs du projet
• Mise en place d’un processus ETL pour la collecte et la transformation des données
• Modélisation analytique via un cube OLAP pour l’analyse multidimensionnelle
• Création de dashboards interactifs pour le suivi des performances de ventes
• Développement de modèles de Machine Learning pour l’analyse prédictive

🏗️ Architecture du projet
1. Data Engineering (ETL)
• Création et transformation d’un dataset simulé avec Python
• Processus ETL via SSIS
• Stockage des données sous SQL Server
2. Data Modeling
• Construction d’un cube OLAP avec SSAS
• Structuration des données pour l’analyse décisionnelle
3. Business Intelligence
• Création de dashboards interactifs avec Power BI
• Analyse des performances commerciales
4. Data Science & Machine Learning
• Prévision des ventes avec Prophet
• Segmentation client avec KMeans et RFM
• Analyse produit avec Random Forest
5. Application Web
• Développement d’une application analytique avec Streamlit
• Visualisation des ventes en temps réel
• Prédictions et segmentation client
• Export des données

💡 Outils utilisés
Python, SQL Server, SSIS, SSAS, Power BI, Machine Learning, Streamlit

🎥 Une démonstration du projet est disponible sur demande

Développement d'un tableau de bord Power BI interactif combinant des données géopolitiques et météorologiques obtenues via des APIs externes.
Le projet intègre des données de plus de 190 pays et permet d'explorer des indicateurs démographiques, géographiques et météorologiques à travers une carte interactive mondiale.
Fonctionnalités principales :
• Intégration de données via API REST (RestCountries et Open-Meteo)
• Transformation et préparation des données avec Power Query
• Modélisation des données et création de tables de référence
• Développement de mesures DAX dynamiques
• Carte choroplèthe interactive avec sélection de métriques
• Infobulles personnalisées avec informations détaillées par pays
• Visualisation en temps réel des conditions météorologiques

🎥 Une démonstration vidéo du dashboard est disponible sur demande

Développement d’un projet de Data Science visant à prédire le churn client dans le secteur des télécommunications.
L’objectif est d’analyser les données clients, d’identifier les facteurs de désabonnement et de construire un modèle de machine learning capable de prédire les clients à risque.

📊 Étapes du projet
• Analyse exploratoire des données (EDA)
• Nettoyage et préparation des données avec Python
• Test de plusieurs modèles de classification (Logistic Regression, Random Forest, XGBoost)
• Sélection du modèle le plus performant (Random Forest)
• Création d’un dashboard interactif avec Power BI pour l’analyse métier
• Déploiement d’une solution de prédiction via API et interface web

🎯 Résultats clés
• Identification des principaux facteurs de churn :
o Nouveaux clients (moins de 10 mois)
o Contrats mensuels (Month-to-Month)
o Paiement par “Electronic Check”
o Absence de services de sécurité en ligne
• Mise en place de recommandations business pour améliorer la rétention client

💡 Outils utilisés
Python, Machine Learning, Power BI, API (FastAPI), Streamlit

🎥 Une démonstration du projet est disponible sur demande