\section{Expériences professionnelles}

\subsection*{Question : Pouvez-vous me parler de votre premier stage ?}

Lors de mon premier stage, j’ai travaillé sur des données de transport avec deux objectifs principaux : réduire les coûts de transport en optimisant les itinéraires, et améliorer la qualité de service en identifiant les causes des retards et de l’insatisfaction client.

Je manipulais plusieurs types de données, comme les trajets, les positions GPS, les retards, la consommation de carburant, les données de maintenance, le temps d’immobilisation des véhicules et parfois les retours clients. Ces données étaient issues de sources internes, notamment des fichiers Excel, des bases Access et des traitements en SQL.

Sur la partie technique, j’ai utilisé SQL pour extraire et structurer les données, Python avec \texttt{pandas} pour le nettoyage et la consolidation, puis Power BI pour construire les tableaux de bord. J’ai aussi travaillé avec Power Query pour la préparation des données, Power Pivot pour la structuration du modèle, et VBA ou parfois Power Automate pour automatiser certaines tâches répétitives du reporting.

Les indicateurs suivis étaient par exemple le taux de ponctualité, le temps moyen de trajet, le coût par trajet, la consommation de carburant, le taux de panne, le taux de remplissage et la satisfaction client. L’objectif était ensuite d’analyser ces KPI pour comprendre les causes des problèmes et proposer des pistes d’amélioration concrètes.

\subsection*{Question : Pouvez-vous me parler de votre stage chez PFM TECH ?}

Lors de mon stage chez PFM TECH, j’ai travaillé sur des données de santé provenant de fichiers Excel et de bases SQL, utilisées pour produire des reportings et des tableaux de bord de suivi. Le besoin métier principal était d’améliorer le suivi patient après la sortie, avec une question concrète : quels patients risquent le plus une réadmission ?

Pour répondre à ce besoin, nous suivions plusieurs indicateurs, comme le nombre total de sorties, le taux de réadmission à 7 et 30 jours, la durée moyenne avant réadmission, la répartition par service ou par tranche d’âge, ainsi que des indicateurs de qualité comme le taux de complétude, le nombre de doublons et les anomalies détectées.

La principale difficulté venait du fait que les données provenaient de plusieurs sources et n’étaient pas toujours homogènes : formats différents, identifiants non standardisés, doublons et valeurs manquantes. Avant de construire les tableaux de bord, il fallait donc d’abord fiabiliser la donnée pour garantir des indicateurs fiables.

Pour structurer ce travail, nous avons suivi une logique DMAIC. Dans la phase \textit{Define}, j’ai participé à la clarification du besoin métier et de la problématique. Dans la phase \textit{Measure}, j’ai utilisé SQL pour mesurer la qualité des données, par exemple le taux de complétude, les valeurs nulles, les doublons et certains écarts entre tables ou entre sources. Dans la phase \textit{Analyze}, j’ai utilisé SQL puis Python avec \texttt{pandas} pour comprendre l’origine des anomalies, comme les problèmes de format, les incohérences d’identifiants ou le manque d’harmonisation entre fichiers. Dans la phase \textit{Improve}, j’ai participé au nettoyage, à la normalisation et à la restructuration des données afin de préparer un jeu de données plus propre pour le reporting.

Sur la partie Power BI, mon rôle ne se limitait pas à la visualisation. Avec Power Query, j’ai préparé et transformé les données ; avec Power Pivot, j’ai contribué à structurer le modèle de données et les relations entre tables ; puis avec Power BI / Power View, j’ai participé à la création des tableaux de bord permettant de suivre les indicateurs métier et les indicateurs de qualité.

Enfin, dans la phase \textit{Control}, j’ai participé à l’automatisation d’une partie du reporting avec Python et VBA. Un cas concret était la préparation hebdomadaire des données avant la mise à jour du tableau de bord : au lieu de reprendre manuellement chaque fichier Excel, le script permettait d’importer les nouveaux fichiers, de contrôler les champs obligatoires, de signaler les doublons ou les valeurs manquantes, de standardiser certains formats, puis de générer une sortie prête pour Power BI. Cela a permis de réduire les tâches manuelles, de gagner du temps et de rendre le processus plus fiable.

Ce que je retiens de cette expérience, c’est qu’un bon tableau de bord dépend avant tout de la qualité de la donnée en amont. Ce stage m’a permis de renforcer mes compétences en SQL, Python, \texttt{pandas}, Power BI, Power Query, Power Pivot, VBA et en qualité des données, tout en développant une approche plus structurée grâce à la démarche DMAIC.

\subsection*{Question : Pouvez-vous me parler du projet Migration et Refonte d’Outils de Gestion de Données ?}

J’ai travaillé sur une base de données d’expansion de magasins, avec des informations comme le \textit{Store ID}, la ville, l’État, la région commerciale, le statut du magasin, le budget marketing et le revenu. L’objectif était de moderniser le reporting pour mieux suivre la performance commerciale.

Sur la partie technique, j’ai commencé par préparer et structurer les données, en vérifiant leur cohérence, les types de variables et les champs utiles à l’analyse.

Ensuite, j’ai utilisé SQL pour l’extraction et certains contrôles, puis Power BI pour concevoir des tableaux de bord interactifs permettant d’analyser le revenu par région, de comparer les nouvelles expansions aux magasins existants, et d’étudier le lien entre budget marketing et performance.

Ce projet m’a permis de renforcer mes compétences en préparation de données, modélisation, reporting et visualisation orientée métier.

\subsection*{Question : Pouvez-vous me parler d’un autre projet académique sur lequel vous avez travaillé ?}

J’ai réalisé un projet en Big Data sur l’analyse des résultats du premier tour de l’élection présidentielle française de 2022. L’objectif était d’étudier les résultats par bureau de vote, puis de les croiser avec des données socio-économiques de l’INSEE.

Sur la partie technique, j’ai travaillé sur la préparation et le nettoyage des données sous R, l’analyse exploratoire, les corrélations, l’ACP pour réduire la dimension, ainsi que la régression linéaire pour analyser les liens entre variables socio-économiques et résultats électoraux.

Ce projet m’a permis de renforcer mes compétences en traitement de données, en analyse statistique et en interprétation des résultats.