Analyse exploratoire des données mondiales d'alimentation (FAO, 2013-2017) réalisée avec Python. Nettoyage et fusion de plusieurs jeux de données, analyse des disparités de sous-nutrition par pays et région, étude de la disponibilité alimentaire et des flux d'aide internationale. Visualisations avec matplotlib et seaborn pour vulgariser les résultats auprès d'un public non technique.

Outils : Python (pandas, matplotlib, seaborn), Excel Données : FAOSTAT — 150+ pays sur 5 ans

Transformation d'un Fichier des Écritures Comptables (FEC) brut en tableau de bord Power BI interactif et prêt à l'emploi pour un dirigeant ou expert-comptable.

Nettoyage et structuration des données comptables, modélisation en étoile, création de mesures DAX pour calculer les KPIs financiers clés. Le dashboard permet de visualiser en un coup d'œil l'évolution du chiffre d'affaires, de la marge, de la trésorerie et du résultat net.

Outils : Power BI, DAX, Power Query Source : Fichier FEC comptable (format DGFiP) Livrable : Dashboard interactif avec filtres par période, compte et poste comptable

Développement d'un modèle de machine learning pour détecter automatiquement les faux billets en euros à partir de leurs dimensions géométriques, pour le compte de l'ONCFM (Organisation Nationale de Lutte Contre le Faux-Monnayage).

Analyse exploratoire des données, gestion des valeurs manquantes par régression linéaire, puis comparaison de plusieurs algorithmes de classification : régression logistique, K-Nearest Neighbors et Random Forest. Le modèle final atteint une précision supérieure à 98% sur les données de test.

Outils : Python (pandas, scikit-learn, matplotlib, seaborn) Données : 1 500 billets — 6 variables géométriques Résultat : Script de prédiction réutilisable en production

Identification des pays les plus attractifs pour l'export d'une entreprise agroalimentaire bio, à partir de données publiques de la FAO et de la Banque Mondiale.

Collecte et nettoyage de données sur 150+ pays (indicateurs économiques, alimentaires et commerciaux), analyse exploratoire, réduction dimensionnelle par ACP puis segmentation par clustering (CAH + K-means) pour regrouper les pays selon leurs profils similaires.

Le livrable final présente un top 5 de pays cibles avec recommandations stratégiques basées sur les données.

Outils : Python (pandas, scikit-learn, matplotlib, seaborn), Excel Données : FAO + Banque Mondiale — 150+ pays, 20+ indicateurs Résultat : Segmentation en clusters et recommandation des marchés prioritaires à l'export