- Predictive Credit Management : Modélisation du risque de non-paiement d'une facture à échéance afin d'améliorer le recouvrement des créances.- Recommendation de prix : Détection des couples clients/produits ayant un prix de vente trop faible, et recommendation d'un nouveau prix de vente.

- Participations aux appels d'offres et RDV client- Projet interne de détection de schémas dans des documents PDF, et extraction des composants du schéma (Formes, Textes, Liens)- TOTAL : Analyse comparative des consommations de carburants selon différentes formulations- SOLVAY : Participation à la migration de projets de SAS vers Dataiku

- Modélisation et optimisation sous contraintes par algorithme génétique des paramètres de fonctionnements de processus industriels- Modélisation du risque de non paiement des factures à la date prévue pour améliorer le cash collection- Segmentation de clients- Recommandation de produits- Support méthodologique aux utilisateurs sur leurs projets de Data Science- Présentation/Formation des nouveaux utilisateurs à Dataiku et support technique- Outils : Dataiku, Python, R

- Intervention à mi-temps, en support de 2 consultants data scientist confirmés- Projet de réalisation d'un modèle explicatif des pertes matière au sein d'une raffinerie.- Outils : Knime, R, Python

- Prévision du besoin de travailleurs temporaires par direction de zone et par activité. ° Modèle de séries temporelles. ° Machine leaning- Réalisation d'un modèle prédictif afin d'identifier en amont les clients ayant un fort risque de churn- Outils : R et Knime

- Modèle prédictif de la consommation d'électricité pour la 1ère année dans un nouveau logement, afin de fournir au client une estimation de sa facturation- études Ad hoc pour la connaissance client- Outils : R

Consultant Data Scientist Senior : Mission chez Carrefour / Pôle Datamining- Projet Big Data : Recommandation d’achat pour le client. ° Participation à la gestion de projet (CoPro, cadrage du besoin, priorisation des tâches). ° Analyse des données en entrée des modèles. ° Requêtage et construction d’échantillons sous HIVE/IMPALA. ° Analyse des sorties des algorithmes (Random Forest, Filtrage collaboratif) et calcul des indicateurs de performance (Précision, Recall). ° Initiation à Python et à l’écosystème Hadoop (HDFS, HIVE, IMPALA).- Réalisation d’une segmentation de clientèle. ° Préparation des données. ° Construction de la segmentation (K-means). ° Statistiques descriptives des segments. ° Fiches de synthèse et présentation des résultats- Construction de scores d’appétence. ° Préparation des données, création des variables explicatives et cibles. ° Modélisation et comparaison des modèles (Régression logistique, Arbres de décision (CHAID, CART, C5), SVM, Random Forest, …). ° Mise à disposition des scores dans les bases Teradata, et partage avec les équipes métiers (Campagnes, Médias, …). ° Travail réalisé sous SPSS Modeler et R

Data scientist : Mission chez GDF Suez, pôle connaissance clients- Analyse séquentielle des données de navigation des clients GDF Suez DolceVita, dans le but d’identifier des séquences caractéristiques des churners vs. clients actifs.- Analyse textuelle des commentaires des conseillers et des clients afin de scorer les commentaires en fonction du risque de churn.- Estimation des durées de vie dans le logement par typologie de client.- Montée en compétence de l’équipe interne sur les sujets traités.- Réalisation des analyses sous R et SAS.

Formation Data Science Starter Program (DSSP) à l’ÉCOLE POLYTECHNIQUE : 120h de formation réparties sur 18 jours.- Databases, Big Data Tools- Data processing and Visualization- Big Data technologies (Hadoop and MapReduce, The Spark engine)- Data analysis and Machine Learning (Unsupervised leaning, Regression and feature selection, Logistic regression, naïve Bayes classifier, KNN, SVM, Tree)- Machine Learning for Non-Traditional Data (Text mining, Graph mining)

Consultant datamining Senior : Mission chez CRMServices (SNCF), direction Connaissance clients / ciblages et analyses campagnes- Cadrage des opérations avec le Marketing Relationnel.- Réalisation du ciblage sous SPSS Modeler.- Analyse de la performance des campagnes, synthèse des résultats et recommandations.

Consultant datamining confirmé : Mission chez SFR, Direction CRM / Comportements Clients- Prise en charge des analyses Ad’hoc relatives à des problématiques de comportement et de valeur client, sur le périmètre des clients Abonnés mobile.- Analyse du profil clients suite au lancement des nouvelles gammes mobile.- Suivi d’indicateurs clés : Impact ARPU, évolution des consommations, appels à l’international, etc.- Etudes Ad Hoc : cadrage du besoin, réalisation de l’analyse et présentation des résultats.- réalisation des études sous SAS.

Chargé d’études statistiques/marketing : Mission à la Société Générale, service des opérations marketing- Étude de la cannibalisation entre les produits d’épargne lors des opérations de valorisation.- Automatisation sous SAS du reporting mensuel des indicateurs clés pour le contrôle et l’analyse de la performance des campagnes marketing (taux de retour vs. témoin, levier, ventes incrémentales, significativité, …).- Analyse des retours des campagnes marketing.- Travail sous SAS et BI-Query

Biostatisticien : Mission chez SERVIER- Relecture et mise à jour de plans d’analyses statistiques.- Réalisation des traitements statistiques sous SAS ayant pour objectif une mesure comparatif du traitement versus placebo et production des tableaux Word en vue de la soumission aux autorités.- Modélisation du risque de survenu d’une anomalie cardiaque par régression logistique.- Modélisation de l’effet traitement et de l’interaction traitement * protéine sur les hospitalisations et la mortalité cardiovasculaire par Modèle de Cox- Analyse de sensibilité par ré-échantillonnage.

Programmeur SAS en biostatistiques : Mission chez Sanofi-Aventis- Réalisation des traitements statistiques sous SAS ayant pour objectif une mesure comparatif du traitement versus placebo et production des tableaux Word en vue de la soumission aux autorités.- Responsable programmation d’une des études du dossier de soumission.. ° Participation aux réunions de revue de la qualité des données.. ° Forte interaction avec le data-management et la statisticienne de l’étude.. ° Gestion des délais pour la remise des livrables.- Création et validation de datasets SAS : mise en conformité avec les standards internationaux des tables reçues du Data Management et création de toutes les variables dérivées nécessaires à la réalisation des traitements statistiques