Projet : Redesign de la plateforme "EcoSphere" Secteur : E-commerce écoresponsable & Style de vie

Mon Rôle : Lead UI/UX Designer

Durée : 3 mois

📖 Le Contexte & Le Défi EcoSphere est une boutique en ligne qui propose des alternatives durables et zéro déchet pour le quotidien. Malgré un catalogue de produits de grande qualité, la marque faisait face à deux obstacles majeurs :

Un taux de rebond élevé (62%) sur la page d'accueil.

Un tunnel d'achat complexe qui décourageait les utilisateurs sur mobile.

L'enjeu de ce projet était de moderniser l'image de marque tout en simplifiant drastiquement l'expérience utilisateur (UX) pour maximiser les conversions.

🛠️ Objectifs Clés Optimiser le parcours d'achat en réduisant les étapes de validation du panier de 5 à 3 étapes.

Moderniser l'interface visuelle (UI) pour refléter un positionnement à la fois éthique, minimaliste et premium.

Adopter une approche Mobile-First pour garantir une navigation fluide sur smartphone (qui représente 70% d

Rôle : Data Engineer / Growth Marketer

Durée : 1 mois

📖 Le Contexte & Le Défi Pour accélérer sa prospection commerciale, l'entreprise cliente avait besoin d'identifier et de contacter des décideurs (CEO, Directeurs Marketing, DRH) dans des secteurs d'activité spécifiques.

La recherche manuelle était trop lente et source d'erreurs. Le défi consistait à bâtir un système automatisé capable de récupérer des milliers de contacts ciblés, de vérifier la validité de leurs coordonnées, et de livrer une base de données prête à l'emploi, tout en contournant les sécurités anti-bot des sites cibles.

🛠️ Objectifs Clés Automatiser la collecte de données depuis plusieurs sources publiques (annuaires professionnels, réseaux sociaux B2B, registres d'entreprises).

Fiabiliser les données en vérifiant systématiquement les adresses e-mail pour éviter les rebonds (bounces).

Intégrer directement les leads qualifiés dans le CRM de l'équipe commerciale.

⚙️ Stack Technique Utilisée Scraping & Automatisa

Rôle : Data Analyst / Data Engineer

Durée : 6 semaines

📖 Le Contexte & Le Défi L'entreprise cliente accumulait quotidiennement un volume massif de données issues de sources multiples (ventes en ligne, retours clients, données CRM, trafic web). Cependant, ces données étaient stockées dans des formats incohérents, contenaient de nombreux doublons, des valeurs manquantes et des erreurs de saisie.

Le défi était de concevoir un pipeline automatisé capable de nettoyer, centraliser et structurer cette "donnée brute" afin que les équipes de direction puissent prendre des décisions stratégiques basées sur des chiffres fiables et mis à jour en temps réel.

🛠️ Objectifs Clés Standardiser et nettoyer les données provenant de 4 sources différentes (fichiers CSV, bases SQL, API tierces).

Réduire le temps de préparation de la donnée (qui prenait auparavant plusieurs heures par semaine aux analystes de manière manuelle).