10 300 consultations « sales » transformées en décisions. J'ai construit un pipeline complet en R (tidyverse) : nettoyage, indicateurs métier, graphiques ggplot2, dashboard Shiny et rapport bilingue.

Découverte forte : 18 % de rupture de médicaments (jusqu'à 20 % à l'Est, au Centre et au Sud) et 64,9 % de patients non-assurés — totalement invisibles dans les données brutes.

5 recommandations priorisées, pipeline 100 % reproductible.

Outils : R, tidyverse, ggplot2, Shiny.

1 500 employés, 18 000 évaluations, 15 questions métier RH — le tout en SQL. Analyse du turnover, de la rémunération, de la performance et des cohortes d'embauche sur une base SQLite.

Constat marquant : jusqu'à 17,7 % de turnover à la Direction Générale — le plus élevé de l'entreprise, un signal fort pour la rétention des cadres.

Rapport structuré + recommandations RH concrètes.

Outils : SQL, SQLite, reporting.

Une enseigne de 5 boutiques avait 500 commandes dans un fichier Excel, sans vue claire de sa performance. Nettoyage, diagnostic complet en Python (Pandas) et rapport de 17 pages avec 7 recommandations priorisées.

Résultats clés : 81 101 € de chiffre d'affaires analysé, et détection d'une boutique à 70 % de complétion contre 85-89 % ailleurs — invisible jusque-là.

7 leviers d'action concrets (dont 2 urgents : fiabilité boutique, friction paiement mobile).

Outils : Python, Pandas, reporting PDF.

18 relevés mensuels consolidés pour anticiper les ruptures plutôt que les subir. Nettoyage de données hétérogènes (4 formats de noms, dates en texte libre) puis calcul d'indicateurs de consommation, rotation et rupture.

Détection d'un centre à 25 % de rupture et d'une consommation en hausse de 45 % — invisibles dans les relevés bruts.

5 leviers d'action, dont un suivi hebdomadaire du centre en tension.

Outils : Excel, Python.