Data Analyst — Retail multi-sites

J'aide les enseignes retail multi-sites à transformer leurs données de gestion en décisions concrètes.

Direction de magasin (Kiabi) et outils data (Python, SQL, Power BI). Je conçois des outils de pilotage pensés par quelqu'un qui a géré un rayon, une équipe et un compte d'exploitation — pas seulement une base de données.

Voir les études de cas Me contacter →
21/78 employés priorisés — Centre d'appels
×4 écart salarial entre communes — France
15/165 combinaisons à risque sécurisées — Réassort

Études de cas

Trois problèmes de gestion, résolus avec la donnée

Chaque étude de cas suit la même logique : une question business précise, une démarche data rigoureuse, un résultat chiffré, et une recommandation qu'un directeur peut appliquer dès le lundi.

Fig. — Vue globale, tableau de bord Power BI — cliquer pour agrandir

Secteur — Centre d'appels multi-sites

Piloter un centre d'appels multi-sites : de la donnée brute à la décision

Contexte
Un centre d'appels externalisé facture ses services (assistance technique, facturation, ventes) à ses clients selon un tarif à la minute, réévalué chaque année. Réparti sur 3 sites (Jacksonville, Aurora, Spokane) et plus de 60 employés, le service générait un volume d'historique de 4 ans (2018-2021) jamais consolidé ni analysé de façon structurée. La direction régionale disposait de chiffres épars, sans vision d'ensemble ni capacité à identifier les zones de risque opérationnel.
Problématique
Comment transformer 4 ans de données d'appels dispersées en un outil de pilotage exploitable par un directeur régional, capable de répondre à trois questions : où en est la performance globale du service ? d'où vient la croissance du revenu ? quels employés ou équipes nécessitent une attention prioritaire ?
Démarche
  • Consolidation et fiabilisation des données : assemblage de 4 sources annuelles disparates, correction des typages (locale de date, encodage), reconstruction d'une architecture de tarification par relation plutôt que par valeurs codées en dur — un choix de conception qui rend le modèle maintenable si les tarifs évoluent, sans jamais retoucher au calcul.
  • Modélisation en étoile : table de faits (appels) reliée aux dimensions Employés, Types d'appels, Tarifs et Calendrier, avec des mesures DAX dédiées (volume, taux de conformité SLA, revenu, durée et temps d'attente moyens).
  • Analyse causale, pas seulement descriptive : au-delà du simple constat d'une hausse de revenu de 66% sur la période, identification de la vraie cause — une progression tarifaire annuelle différenciée par type d'appel (+25% Support technique, +12% Facturation, +10% Ventes) — plutôt qu'une fausse corrélation avec le volume d'appels, resté quasi stable (-0,6%).
  • Détection d'employés à risque : croisement volume d'appels traités et temps d'attente moyen pour isoler, par comparaison à la moyenne globale, les profils cumulant forte charge et délai élevé — signal direct pour une action managériale ciblée.
21/78

21 employés sur 78 identifiés en zone de priorité haute (charge et délai simultanément supérieurs à la moyenne), répartis de façon inégale selon les managers — une information invisible dans un simple export de données brutes, révélée uniquement par le croisement des deux variables.

Recommandation
Concentrer le suivi managérial sur les 21 employés identifiés plutôt que sur une approche uniforme, et vérifier si la croissance du revenu Support technique (+25%/an) s'accompagne d'un dimensionnement RH suffisant sur ce segment, avant que la pression tarifaire ne se traduise en dégradation du service.

Outils : Power BI (Power Query, modélisation DAX), analyse causale, conception de KPI orientés décision. Rapport interactif disponible sur demande.

Fig. — Vue globale, tableau de bord Power BI — cliquer pour agrandir

Secteur — Économie territoriale (données INSEE)

Cartographier les inégalités économiques en France à partir des données INSEE

Contexte
Dans le cadre de ma certification Data Analyst, j'ai mené une analyse complète des inégalités économiques et démographiques françaises à partir de 4 jeux de données INSEE (établissements par taille, salaires nets par commune, données démographiques, informations géographiques), couvrant plus de 5 000 communes et 36 000 lignes de données géographiques.
Problématique
Dans quelle mesure la localisation géographique détermine-t-elle les inégalités économiques en France — au niveau régional, communal, et croisée avec le genre et la catégorie socio-professionnelle ?
Démarche
  • Nettoyage et fiabilisation des données : correction des types (codes INSEE forcés en texte pour préserver les zéros initiaux), gestion du séparateur décimal anglo-saxon des données sources, traitement des doublons sur les codes communaux liés aux circonscriptions européennes.
  • Modélisation en étoile, avec un contournement technique assumé : les doublons structurels sur la table géographique empêchant une relation directe propre, construction de tables agrégées dédiées (SUMMARIZE) pour chaque axe d'analyse — un choix de conception documenté plutôt qu'un raccourci.
  • 6 pages de dashboard interactif, structurées en entonnoir analytique : vue nationale → inégalités de genre → profil territorial (éloignement géographique) → tissu entrepreneurial → synthèse communale, chaque page reliant explicitement le visuel choisi à la problématique posée.
  • Choix de visualisation justifiés : scatter chart pour croiser deux variables continues (population vs salaire, éloignement vs salaire), bar chart trié pour les comparaisons régionales, heatmap pour la double dimension région × catégorie socio-professionnelle — plutôt qu'un choix de graphique par défaut.
×4

Trois strates d'inégalités mises en évidence simultanément : un écart inter-régional de 35% entre l'Île-de-France (17,33€/h) et les régions les moins rémunérées, un écart communal atteignant un facteur ×4 entre la commune la mieux et la moins bien payée, et un écart de genre de 18,93% au niveau national — significativement plus marqué dans les régions économiquement les plus dynamiques plutôt qu'atténué par la richesse territoriale.

Recommandation
Les zones à indice d'éloignement élevé cumulent systématiquement salaires plus faibles et tissu entrepreneurial dominé par les micro-structures, sans grandes entreprises créatrices d'emplois qualifiés — une politique d'aménagement du territoire gagnerait à cibler ces zones en priorité plutôt qu'une approche uniforme, l'analyse identifiant précisément où l'effet de cumul est le plus fort.

Outils : Power BI (Power Query, modélisation DAX), Python (Pandas, Matplotlib, Seaborn) pour l'exploration initiale.
Limite méthodologique assumée : données du recensement 2014, à actualiser pour une lecture contemporaine.
Rapport interactif disponible sur demande.

Fig. — Page « Recommandation réassort », tableau de bord Power BI — cliquer pour agrandir

Secteur — Réseau retail, prévision des ventes

Anticiper les besoins de réassort d'un réseau retail à partir de l'historique de ventes

Contexte
Un réseau de 5 magasins vendant 33 familles de produits dispose de deux ans d'historique de ventes quotidiennes (août 2015 à août 2017), enrichi de données externes — prix du pétrole et calendrier des jours fériés. Comme beaucoup de commerçants indépendants ou de petites enseignes, ce réseau ne dispose d'aucun outil structuré pour anticiper ses besoins de réassort : les décisions de stock reposent sur l'intuition plutôt que sur l'analyse des tendances de vente.
Problématique
Comment un commerçant multi-sites peut-il anticiper ses besoins de réassort par magasin et par famille de produits, afin d'éviter rupture de stock ou surstock, et identifier en priorité les combinaisons magasin × famille qui nécessitent une attention immédiate ?
Démarche
  • Modélisation en étoile : une table de faits (ventes quotidiennes par magasin et famille) reliée à deux dimensions — magasins et calendrier, ce dernier enrichi avec le prix du pétrole et les jours fériés effectifs pour tester l'influence de facteurs externes sur la demande.
  • Mesures DAX progressives, construites par couches successives : moyenne mobile 7 jours pour lisser le bruit quotidien, tendance comparant les 7 derniers jours aux 7 précédents (DATESINPERIOD), coefficient de variation (écart-type normalisé par la moyenne) pour détecter les familles à comportement erratique indépendamment de leur volume de vente.
  • Détection de risque à seuil double : une mesure de statut croisant tendance haussière et forte variabilité, pour isoler les vraies alertes plutôt que de signaler toute famille en croissance simple et prévisible — 15 combinaisons magasin × famille identifiées sur 165 possibles.
  • 4 pages de dashboard, organisées en entonnoir décisionnel : vue d'ensemble avec prévision à 30 jours → saisonnalité et facteurs externes → répartition magasin/famille et effet des promotions → page de recommandation croisant prévision filtrable, indicateurs de risque et table actionnable.
  • Prévision intégrée nativement via l'Analytics pane de Power BI, réutilisée sur plusieurs pages avec un comportement dynamique : la page 4 reprojette la prévision à 30 jours selon la sélection magasin/famille de l'utilisateur, plutôt qu'une vue figée.
15/165

Le prix du pétrole ne montre aucune corrélation visible avec les ventes quotidiennes — un résultat négatif qui a évité de construire une recommandation sur une variable sans effet réel. En revanche, la variabilité normalisée (coefficient de variation) a révélé un classement de risque totalement différent de l'analyse en valeur brute : des familles à faible volume comme Lingerie ou Home Appliances, invisibles dans un simple classement par ventes totales, ressortent comme les plus instables et donc les plus exposées à la rupture. Sur le Magasin 47, la famille Lingerie affiche un coefficient de variation de 1,44 — largement au-dessus de la moyenne du réseau — révélant un pic de vente brutal après deux ans de plateau, invisible sans normalisation par le volume.

Recommandation
Prioriser le réassort sur les 15 combinaisons magasin × famille signalées en « Risque élevé » ou « À surveiller », en traitant différemment les deux profils de risque identifiés : les familles à tendance haussière stable (ex. Liquor/Wine/Beer au Magasin 49) peuvent suivre un réassort progressif planifié, tandis que les familles à forte variabilité imprévisible (ex. Lingerie) nécessitent un stock tampon plutôt qu'un ajustement linéaire. L'absence de lien avec le prix du pétrole invite à concentrer les efforts de prévision sur les facteurs internes (saisonnalité, promotions) plutôt que sur des variables macroéconomiques externes hors du contrôle du commerçant.

À propos

Avant les dashboards, il y a eu le rayon

Diplômé d'un Master Marketing-Vente, j'ai passé environ quatre ans chez Kiabi, dont une expérience de Directeur de magasin en intérim à la tête d'une équipe d'une vingtaine de personnes : recrutement, gestion des stocks, animation commerciale, pilotage du chiffre d'affaires. J'ai appris ce que coûte réellement une rupture de stock un samedi après-midi, ou un planning mal dimensionné — des choses qu'aucun jeu de données ne raconte tout seul.

En parallèle, j'ai obtenu la certification Data Analyst de DataScientest, délivrée avec Mines Paris - PSL : Python, SQL, Power BI, modélisation de données. Les trois études de cas présentées plus haut en sont le résultat direct.

Cette double expérience — terrain retail et outils data — est mon positionnement : je ne construis pas un dashboard pour qu'il soit beau, je le construis pour qu'il remplace une décision prise à l'intuition.

  • ~4 ans Kiabi — Directeur adjoint, puis Directeur de magasin en intérim (équipe ~25 pers.)
  • Certification Data Analyst — DataScientest / Mines Paris - PSL
  • Aujourd'hui Pilotage data pour PME et franchises retail multi-sites

Ma méthode

Je commence par le terrain, pas par le tableau de bord

Un profil purement technique part de la donnée disponible. Je pars de la façon dont un magasin fonctionne réellement — et je ne remonte vers la donnée qu'une fois la vraie question posée.

  1. 01

    Comprendre le terrain

    Avant d'ouvrir Power BI, je prends le temps de comprendre comment les équipes travaillent au quotidien : quelles décisions sont prises chaque semaine, où se situent les frictions opérationnelles.

  2. 02

    Cadrer la question qui compte

    Un dashboard qui répond à une bonne question vaut mieux que dix indicateurs qui n'en posent aucune. On définit ensemble la question business précise à laquelle l'outil doit répondre.

  3. 03

    Structurer et fiabiliser la donnée

    Nettoyage, modélisation en étoile, mesures calculées : le travail invisible qui rend un dashboard fiable dans six mois, pas seulement le jour de la démonstration.

  4. 04

    Livrer une recommandation, pas un graphique isolé

    Chaque étude de cas présentée plus haut se termine par une action concrète, jamais par un chiffre livré sans interprétation.

Contact

Discutons de votre pilotage retail

Que vous ayez 2 ou 15 points de vente, si vos décisions de stock, de staffing ou de rentabilité reposent encore sur l'intuition plutôt que sur la donnée, écrivez-moi.

contact@talha-data.fr