J'aide les enseignes retail multi-sites à transformer leurs données de gestion en décisions concrètes.

Secteur — Centre d'appels multi-sites

Piloter un centre d'appels multi-sites : de la donnée brute à la décision

Contexte

Un centre d'appels externalisé facture ses services (assistance technique, facturation, ventes) à ses clients selon un tarif à la minute, réévalué chaque année. Réparti sur 3 sites (Jacksonville, Aurora, Spokane) et plus de 60 employés, le service générait un volume d'historique de 4 ans (2018-2021) jamais consolidé ni analysé de façon structurée. La direction régionale disposait de chiffres épars, sans vision d'ensemble ni capacité à identifier les zones de risque opérationnel.

Problématique

Comment transformer 4 ans de données d'appels dispersées en un outil de pilotage exploitable par un directeur régional, capable de répondre à trois questions : où en est la performance globale du service ? d'où vient la croissance du revenu ? quels employés ou équipes nécessitent une attention prioritaire ?

Démarche

• Rassemblement et fiabilisation des données : les 4 années d'historique, réparties dans des fichiers séparés et mal formatées, ont été regroupées et corrigées. Les tarifs ont été construits comme une grille modifiable d'une année sur l'autre, pour pouvoir les ajuster chaque année sans retoucher aux calculs.
• Une vue reliant tout ce qui compte : les appels ont été reliés aux employés, aux types d'appels, aux tarifs et au calendrier, avec des indicateurs calculés automatiquement (volume, respect des délais, revenu, durée et temps d'attente moyens).
• Recherche de la vraie cause, pas d'un simple constat : au-delà de la hausse de revenu de 66% sur la période, la cause identifiée est une hausse tarifaire différenciée par type d'appel (+25% Support technique, +12% Facturation, +10% Ventes), et non une hausse du volume d'appels, resté quasi stable (-0,6%).
• Repérage des employés à surveiller en priorité : en croisant le volume d'appels traités et le temps d'attente moyen, les profils cumulant forte charge et délai élevé ont été isolés par rapport à la moyenne de l'équipe — un signal direct pour une action managériale ciblée.

Recommandation

Concentrer le suivi managérial sur les 21 employés identifiés plutôt que sur une approche uniforme, et vérifier si la croissance du revenu Support technique (+25%/an) s'accompagne d'un dimensionnement RH suffisant sur ce segment, avant que la pression tarifaire ne se traduise en dégradation du service.

Outils : Power BI (Power Query, modélisation DAX), analyse causale, conception de KPI orientés décision. Rapport interactif disponible sur demande.

Voir le détail technique

Démarche — détail technique complet

• Consolidation et fiabilisation des données : assemblage de 4 sources annuelles disparates, correction des typages (locale de date, encodage), reconstruction d'une architecture de tarification par relation plutôt que par valeurs codées en dur — un choix de conception qui rend le modèle maintenable si les tarifs évoluent, sans jamais retoucher au calcul.
• Modélisation en étoile : table de faits (appels) reliée aux dimensions Employés, Types d'appels, Tarifs et Calendrier, avec des mesures DAX dédiées (volume, taux de conformité SLA, revenu, durée et temps d'attente moyens).
• Analyse causale, pas seulement descriptive : au-delà du simple constat d'une hausse de revenu de 66% sur la période, identification de la vraie cause — une progression tarifaire annuelle différenciée par type d'appel (+25% Support technique, +12% Facturation, +10% Ventes) — plutôt qu'une fausse corrélation avec le volume d'appels, resté quasi stable (-0,6%).
• Détection d'employés à risque : croisement volume d'appels traités et temps d'attente moyen pour isoler, par comparaison à la moyenne globale, les profils cumulant forte charge et délai élevé — signal direct pour une action managériale ciblée.

Secteur — Économie territoriale (données INSEE)

Cartographier les inégalités économiques en France à partir des données INSEE

Contexte

Dans le cadre de ma certification Data Analyst, j'ai mené une analyse complète des inégalités économiques et démographiques françaises à partir de 4 jeux de données INSEE (établissements par taille, salaires nets par commune, données démographiques, informations géographiques), couvrant plus de 5 000 communes et 36 000 lignes de données géographiques.

Problématique

Dans quelle mesure la localisation géographique détermine-t-elle les inégalités économiques en France — au niveau régional, communal, et croisée avec le genre et la catégorie socio-professionnelle ?

Démarche

• Nettoyage et fiabilisation des données : les identifiants de communes, les formats de nombres et les doublons liés aux découpages électoraux ont été corrigés un par un pour que chaque commune soit comptée une seule fois et correctement identifiée.
• Une vue construite pour chaque angle d'analyse : les données géographiques comportaient des doublons qui empêchaient de tout relier simplement. Des tables de synthèse ont donc été construites spécifiquement pour chaque angle d'étude (région, genre, éloignement, entreprises) — un choix documenté plutôt qu'un raccourci.
• 6 pages de dashboard interactif, structurées comme un entonnoir : vue nationale → inégalités de genre → profil territorial (éloignement géographique) → tissu entrepreneurial → synthèse communale, chaque page répondant à une question précise.
• Un graphique adapté à chaque question : un graphique croisant deux indicateurs quand il fallait comparer deux variables (population et salaire, éloignement et salaire), un classement trié pour comparer les régions, une carte croisée pour comparer région et catégorie de poste — plutôt qu'un graphique choisi par défaut.

Recommandation

Les zones à indice d'éloignement élevé cumulent systématiquement salaires plus faibles et tissu entrepreneurial dominé par les micro-structures, sans grandes entreprises créatrices d'emplois qualifiés — une politique d'aménagement du territoire gagnerait à cibler ces zones en priorité plutôt qu'une approche uniforme, l'analyse identifiant précisément où l'effet de cumul est le plus fort.

Outils : Power BI (Power Query, modélisation DAX), Python (Pandas, Matplotlib, Seaborn) pour l'exploration initiale.
Limite méthodologique assumée : données du recensement 2014, à actualiser pour une lecture contemporaine.
Rapport interactif disponible sur demande.

Voir le détail technique

Démarche — détail technique complet

• Nettoyage et fiabilisation des données : correction des types (codes INSEE forcés en texte pour préserver les zéros initiaux), gestion du séparateur décimal anglo-saxon des données sources, traitement des doublons sur les codes communaux liés aux circonscriptions européennes.
• Modélisation en étoile, avec un contournement technique assumé : les doublons structurels sur la table géographique empêchant une relation directe propre, construction de tables agrégées dédiées (SUMMARIZE) pour chaque axe d'analyse — un choix de conception documenté plutôt qu'un raccourci.
• 6 pages de dashboard interactif, structurées en entonnoir analytique : vue nationale → inégalités de genre → profil territorial (éloignement géographique) → tissu entrepreneurial → synthèse communale, chaque page reliant explicitement le visuel choisi à la problématique posée.
• Choix de visualisation justifiés : scatter chart pour croiser deux variables continues (population vs salaire, éloignement vs salaire), bar chart trié pour les comparaisons régionales, heatmap pour la double dimension région × catégorie socio-professionnelle — plutôt qu'un choix de graphique par défaut.

Secteur — Réseau retail, prévision des ventes

Anticiper les besoins de réassort d'un réseau retail à partir de l'historique de ventes

Contexte

Un réseau de 5 magasins vendant 33 familles de produits dispose de deux ans d'historique de ventes quotidiennes (août 2015 à août 2017), enrichi de données externes — prix du pétrole et calendrier des jours fériés. Comme beaucoup de commerçants indépendants ou de petites enseignes, ce réseau ne dispose d'aucun outil structuré pour anticiper ses besoins de réassort : les décisions de stock reposent sur l'intuition plutôt que sur l'analyse des tendances de vente.

Problématique

Comment un commerçant multi-sites peut-il anticiper ses besoins de réassort par magasin et par famille de produits, afin d'éviter rupture de stock ou surstock, et identifier en priorité les combinaisons magasin × famille qui nécessitent une attention immédiate ?

Démarche

• Toutes les ventes reliées au bon contexte : les ventes quotidiennes de chaque magasin et famille de produits ont été reliées aux informations de calendrier, enrichies avec le prix du pétrole et les jours fériés réels, pour tester si des facteurs extérieurs influencent la demande.
• Des indicateurs construits par étapes : une moyenne sur 7 jours pour lisser les à-coups du quotidien, une comparaison automatique entre la semaine en cours et la précédente pour repérer une tendance, et un indicateur de régularité des ventes qui repère les familles de produits imprévisibles même quand leur volume semble faible.
• Détection de risque à double critère : un statut d'alerte a été créé en croisant tendance à la hausse et forte irrégularité, pour ne signaler que les vraies situations à risque plutôt que toute famille simplement en croissance — 15 combinaisons magasin × famille identifiées sur 165 possibles.
• 4 pages de dashboard, organisées comme un parcours de décision : vue d'ensemble avec prévision à 30 jours → saisonnalité et facteurs externes → répartition magasin/famille et effet des promotions → page de recommandation avec la prévision, les indicateurs de risque et une liste d'actions concrètes.
• Une prévision qui s'adapte à la sélection : l'outil de prévision intégré à Power BI a été réutilisé sur plusieurs pages, de façon à recalculer automatiquement la projection à 30 jours selon le magasin et la famille de produits sélectionnés, plutôt qu'une vue figée.

Recommandation

Prioriser le réassort sur les 15 combinaisons magasin × famille signalées en « Risque élevé » ou « À surveiller », en traitant différemment les deux profils de risque identifiés : les familles à tendance haussière stable (ex. Liquor/Wine/Beer au Magasin 49) peuvent suivre un réassort progressif planifié, tandis que les familles à forte variabilité imprévisible (ex. Lingerie) nécessitent un stock tampon plutôt qu'un ajustement linéaire. L'absence de lien avec le prix du pétrole invite à concentrer les efforts de prévision sur les facteurs internes (saisonnalité, promotions) plutôt que sur des variables macroéconomiques externes hors du contrôle du commerçant.

Voir le détail technique

Démarche — détail technique complet

• Modélisation en étoile : une table de faits (ventes quotidiennes par magasin et famille) reliée à deux dimensions — magasins et calendrier, ce dernier enrichi avec le prix du pétrole et les jours fériés effectifs pour tester l'influence de facteurs externes sur la demande.
• Mesures DAX progressives, construites par couches successives : moyenne mobile 7 jours pour lisser le bruit quotidien, tendance comparant les 7 derniers jours aux 7 précédents (DATESINPERIOD), coefficient de variation (écart-type normalisé par la moyenne) pour détecter les familles à comportement erratique indépendamment de leur volume de vente.
• Détection de risque à seuil double : une mesure de statut croisant tendance haussière et forte variabilité, pour isoler les vraies alertes plutôt que de signaler toute famille en croissance simple et prévisible — 15 combinaisons magasin × famille identifiées sur 165 possibles.
• 4 pages de dashboard, organisées en entonnoir décisionnel : vue d'ensemble avec prévision à 30 jours → saisonnalité et facteurs externes → répartition magasin/famille et effet des promotions → page de recommandation croisant prévision filtrable, indicateurs de risque et table actionnable.
• Prévision intégrée nativement via l'Analytics pane de Power BI, réutilisée sur plusieurs pages avec un comportement dynamique : la page 4 reprojette la prévision à 30 jours selon la sélection magasin/famille de l'utilisateur, plutôt qu'une vue figée.