J'ai travaillé sur la prédiction des achats clients pour optimiser les recommandations produits. Pour ce projet, j'ai analysé des données transactionnelles afin d'identifier les patterns d'achat et développé des modèles de machine learning pour générer des recommandations personnalisées. J'ai également mené une analyse comportementale approfondie des clients. Le modèle final a atteint une précision de 74%, avec les achats précédents et la fréquence d'achat identifiés comme les variables les plus influentes. Ces résultats ont permis de générer des recommandations fiables et personnalisées, directement applicables pour optimiser les stratégies commerciales. Les compétences clés utilisées incluaient le machine learning, Python et l'analyse comportementale.

Ce projet visait à prévoir le déficit budgétaire du Bénin en utilisant des données macroéconomiques historiques. J'ai collecté et analysé des séries temporelles macroéconomiques, puis appliqué différents modèles de régression (Lasso, Ridge et Elastic Net) pour identifier les principaux drivers du déficit budgétaire. L'analyse a révélé que les revenus fiscaux et les transferts budgétaires sont les facteurs déterminants. Le modèle final a achevé une excellente performance avec un R² de 0.92, démontrant que les variations dans les revenus fiscaux et les transferts budgétaires expliquent significativement la dynamique du déficit. Ces prévisions robustes fournissent des inputs solides pour la planification fiscale et la prise de décision publique. Les compétences mobilisées comprenaient la modélisation statistique, la régression et l'analyse macroéconomique.

J'ai développé un modèle de machine learning pour prévoir les concentrations de PM2.5 (particules fines) à Cotonou, dans un contexte africain caractérisé par des données environnementales limitées. Utilisant une approche innovante basée sur des données proxies (données de Lagos) combinées à des variables météorologiques de Lagos et Cotonou, j'ai estimé les niveaux de pollution à Cotonou. Le projet a impliqué une exploration approfondie des données, une ingénierie des features et une modélisation avec Random Forest pour générer des prévisions court-terme actionnables. Ces prévisions sont directement applicables pour la prise de décision en matière de santé publique et de politique urbaine. J'ai utilisé des techniques avancées de data wrangling, feature engineering et modélisation pour adapter la méthodologie au contexte africain spécifique.