Alternant Data & CRM Analyst · Crédit Agricole Alpes Provence
Étudiant IA & Data · LaPlateforme_ Marseille · Mastère Bac+5 dès 2027
Ma motivation : comprendre ce que les données racontent et les rendre utiles à la prise de décision.
En alternance au Crédit Agricole Alpes Provence, je travaille sur des sujets CRM et data concrets : segmentation client, ciblage de campagnes, reporting, automatisation de processus. C'est ce genre de missions qui m'ont appris que la technique ne vaut rien sans une bonne lecture du besoin métier.
En dehors du travail, j'enchaîne les projets perso pour ne jamais stagner : algorithmes, analyses, outils maison. J'aime apprendre vite, contribuer sérieusement, et garder une bonne dose d'humilité sur ce qu'il me reste à découvrir.
Survolez une carte pour découvrir l'exemple concret derrière chaque compétence.
Meneur de projet dans des contextes variés, scolaires et personnels.
Retourner →Chef de projet sur plusieurs projets scolaires à LaPlateforme_ : organisation des tâches sur Trello, animation des réunions d'avancement, arbitrage des décisions techniques en équipe.
Capacité à vulgariser des sujets techniques devant des publics variés.
Retourner →Présentations régulières de projets data devant les formateurs à LaPlateforme_, ainsi que restitutions d'analyses métier auprès des équipes Marketing au Crédit Agricole.
Rédaction de comptes rendus clairs et structurés, du contexte imposé au résultat obtenu.
Retourner →Rédaction de comptes rendus de projet à destination des formateurs et des équipes métier : contexte imposé, résultat demandé, atteintes et limites, pistes d'amélioration.
Travail d'équipe efficace, même dans des contextes de pression ou d'incertitude.
Retourner →Co-développement d'applications : partage du repo GitHub, revues de code mutuelles et intégration continue malgré des emplois du temps contraints.
Prise en main rapide de sujets et de nouvelles méthodes.
Retourner →Au Crédit Agricole, j'ai proposé et mis en place un nouveau mode de suivi des campagnes CRM sur Power BI, identifiant un besoin non exprimé et livrant un premier prototype en moins d'une semaine.
Polyvalence face aux outils, aux contextes et aux interlocuteurs.
Retourner →Passage rapide d'un environnement Python/Jupyter en école à un environnement SAS/UNICA en entreprise bancaire, avec des contraintes de sécurité data fortes, maîtrise acquise en quelques semaines.
Goût du défi, de la performance et de la livraison sous contrainte de temps.
Retourner →Participation à des projets avec résolution de problèmes data en temps limité, présentation orale du résultat et défense technique devant jury.
Interface graphique recommandant les meilleurs films selon le genre et l'année. Moteur de recommandation maison.
7 algorithmes de tri en temps réel avec historique, mesure de performance et usage mémoire.
Analyse des données Netflix jusqu'à 2021. KPI Power BI, visualisations Seaborn/Matplotlib, recommandations stratégiques.
Analyse statistique des espèces de fleurs du dataset Iris sous RStudio. Visualisations détaillées.
Analyse de souscriptions à des offres bancaires. Comparaison de modèles prédictifs et visualisation des variables clés.
Génération et résolution de labyrinthes (DFS, Kruskal, A*, Recursive Backtracking) avec sorties TXT et JPG.
Dataset FAO 1961–2013 : production par pays, diversification alimentaire, tendances et visualisation Python.
Classification des clients par niveau de risque avec actions personnalisées et suivi individuel.
Analyse de témoignages (anxiété, dépression) via Kaggle. Corrélations et pistes de solutions visualisées.
Estimation du prix d'un véhicule selon son âge, son kilométrage et sa boîte. Régression simple et multivariée, évaluée via MSE, RMSE, MAE et R².
Prédiction du risque sur 70 000 patients. Modèle scikit-learn optimisé sur le recall, comparé à une version codée à la main par descente de gradient.
2 208 clients répartis en 4 segments. K-Means codé à la main, comparé à la CAH et au GMM après réduction par ACP.
Classification de 7 600 tweets via TF-IDF. 5 modèles comparés, dont un arbre de décision codé à la main. Régression logistique retenue (F1 0,77).
Tournée de 20 villes françaises : Christofides face à un algorithme génétique. Christofides + 2-opt atteint l'optimum en moins de 2 ms.
Amener jusqu'à 100 fourmis au dortoir en un minimum d'étapes, avec des salles à capacité limitée. Solution prouvée optimale.
21 613 ventes de maisons à Seattle. SVR, Random Forest et Gradient Boosting comparés, le meilleur (R² 0,89) servi via une app Flask sous Docker.
Je recherche une alternance de 2 ans à partir de septembre 2027, pour mon Mastère Expert IA / Data (Bac+5) à LaPlateforme_ Marseille. Ouvert aux échanges.
