L’objectif était de prédire le churn des clients d’une entreprise de télécommunications. Pour cela, j’ai travaillé sur un dataset contenant les informations des abonnés, telles que l'âge, le sexe, l'ancienneté, les données d'utilisation et le plan tarifaire.

• Préparation et nettoyage des données : gestion des valeurs manquantes, suppression des doublons, transformation des variables catégorielles en numériques
• Feature engineering : création de nouvelles variables, normalisation des données...
• Modélisation : mise en place et évaluation de plusieurs modèles de classification avec validation croisée pour estimer la performance des modèles
• Évaluation des performances : utilisation de la précision, du rappel et du score F1 pour évaluer la capacité des modèles à prédire le churn.
• Optimisation du modèle : utilisation de GridSearchCV pour optimiser les hyperparamètres, afin d'améliorer la performance et la précision du meilleur modèle
• Création d'une application Streamlit

Création d’un dashboard analytique interactif conçu avec Power BI, à destination d’un gérant d’enseigne de grande distribution.

L’objectif principal est de permettre une analyse approfondie des ventes, des performances des rayons, et du comportement des clients, à travers des indicateurs clés dynamiques et des visualisations claires.

Le tableau de bord propose également des filtres interactifs (par période, pays, produit, réduction, etc.) permettant aux décideurs :

• d’optimiser leurs stratégies commerciales
• de mieux comprendre leurs clients
• d’améliorer la prise de décision grâce à une lecture intuitive des données Ce projet permet également d’identifier les produits, régions, catégories et segments de clientèle à cibler ou à éviter, afin de maximiser l'efficacité des actions marketing et commerciales.

Il se compose de deux tableaux de bord interactifs, enrichis par de nombreux filtres dynamiques, facilitant une analyse détaillée et segmentée des performances globales.