Data Analyst

Passer d'une question métier floue à des indicateurs précis, calculés proprement dans un tableur et présentés de façon lisible.

Une jeune marque de cosmétiques vend en ligne à Abidjan et à Paris. Sa fondatrice exporte chaque mois les commandes de sa boutique dans un fichier, mais elle ne sait pas dire si son activité progresse. Vous commencez par un court entretien avec elle, joué par votre mentor, pour comprendre ses objectifs. Vous définissez ensuite une dizaine d'indicateurs : chiffre d'affaires, nombre de commandes, panier moyen, taux de retour, part des clients fidèles, répartition par pays. Pour chacun, vous écrivez une fiche : définition, formule, source et fréquence de mise à jour. Vous construisez enfin un classeur de suivi avec des tableaux croisés dynamiques et une page de synthèse mensuelle. Le classeur doit pouvoir être mis à jour le mois suivant sans que vous soyez là. En soutenance, vous expliquez les trois chiffres qui devraient inquiéter ou rassurer la fondatrice.

Interroger une base relationnelle pour répondre à des questions d'analyse : jointures, agrégations, sous-requêtes et fonctions de fenêtre.

Un distributeur de matériel agricole possède six dépôts au Cameroun et vend aussi aux coopératives. Toutes ses ventes depuis trois ans sont stockées dans une base PostgreSQL : clients, produits, dépôts, commandes et lignes de commande. Le directeur commercial vous pose une série de questions : quels produits progressent, quels dépôts perdent des clients, quelle est la saisonnalité des ventes, quels clients n'ont pas recommandé depuis six mois. Vous y répondez uniquement en SQL, avec des requêtes lisibles et commentées. Vous utilisez des jointures, des agrégations, des expressions de table et des fonctions de fenêtre pour calculer des évolutions et des classements. Vous construisez aussi une analyse de cohortes de clients selon leur mois de première commande. Chaque réponse est vérifiée par un contrôle simple, par exemple un total recalculé autrement.

Mesurer la qualité d'un jeu de données, corriger ce qui peut l'être, documenter le reste et prévenir les erreurs à la source.

Une ONG de santé maternelle collecte des données dans une quarantaine de centres au Burkina Faso, au moyen de formulaires sur téléphone. Les rapports trimestriels envoyés aux bailleurs contiennent des chiffres que personne n'ose plus défendre. Vous recevez l'export brut de deux années de collecte. Vous mesurez d'abord la qualité : doublons, dates impossibles, centres mal orthographiés, valeurs manquantes, unités mélangées. Vous définissez des règles de qualité et vous calculez un score par centre. Vous corrigez ensuite ce qui peut l'être, en gardant la trace de chaque transformation, et vous signalez ce qui ne peut pas être corrigé. Vous rédigez un dictionnaire de données et vous proposez des modifications des formulaires pour éviter les erreurs à la saisie. Vous travaillez avec l'outil de votre choix, à condition que le traitement soit reproductible.

Utiliser Python et pandas pour charger, transformer, croiser et exporter des données, et remplacer des manipulations manuelles par un script fiable.

Une société de transfert d'argent compte vingt agences en Afrique centrale et en Europe. Chaque agence envoie chaque mois son propre fichier d'opérations, avec des colonnes qui varient d'une agence à l'autre. Une assistante passe deux jours à tout regrouper à la main. Vous écrivez un programme Python qui lit tous les fichiers d'un dossier, harmonise les colonnes, les devises et les dates, détecte les fichiers incomplets et produit une table consolidée. Vous ajoutez des agrégats mensuels par agence et par corridor de transfert. Le code est versionné dans un dépôt Git, organisé en fonctions testées et accompagné d'un notebook qui montre les premiers résultats. Les devises ne sont jamais converties entre elles sans taux explicite. En soutenance, le mentor ajoute un fichier mal formé et vous montrez comment le programme réagit.

Explorer un jeu de données avec méthode, décrire les distributions et les liens entre variables, et formuler des conclusions sans surinterpréter.

Un service de musique en ligne, populaire en Afrique de l'Ouest, perd des abonnés payants depuis six mois. L'équipe produit a plusieurs hypothèses : le prix, la qualité du catalogue local, les coupures de paiement par mobile money. À partir d'un extrait anonymisé des données d'abonnement et d'usage, vous menez une analyse exploratoire complète. Vous décrivez les distributions, vous comparez les abonnés partis et restés, vous mesurez les corrélations et vous testez au moins deux hypothèses avec un test statistique adapté. Vous construisez aussi une segmentation simple des abonnés selon leur usage. Votre rapport distingue clairement ce que les données montrent, ce qu'elles suggèrent et ce qu'elles ne permettent pas de conclure. Vous terminez par trois actions que l'équipe produit pourrait tester.

Concevoir un tableau de bord de pilotage dans votre outil, Power BI, Tableau ou Python, à partir d'un modèle de données propre et des besoins réels de ses utilisateurs.

Un groupement de quinze pharmacies, à Dakar et à Saint-Louis, veut suivre ses ventes, ses ruptures de stock et ses marges. Le directeur consulte les chiffres sur son téléphone, les pharmaciens sur l'ordinateur du comptoir. Avec l'outil que vous avez choisi, vous construisez un modèle de données à partir des tables fournies : ventes, stocks, produits, pharmacies et calendrier. Vous concevez ensuite un tableau de bord sur trois niveaux : une vue d'ensemble pour la direction, une vue par pharmacie et une vue détaillée des ruptures. Vos choix de graphiques, de couleurs et de filtres doivent servir la lecture et non la décoration. Vous testez le tableau de bord avec deux utilisateurs, joués par des apprenants de votre cohorte, et vous l'améliorez après leurs retours. La version consultée sur téléphone doit rester lisible.

Rendre un reporting autonome, du rafraîchissement des données aux alertes, puis raconter les résultats de façon convaincante à un comité de direction.

Une enseigne de supermarchés de proximité, présente au Gabon et au Congo, produit son rapport mensuel à la main. Il arrive dix jours après la fin du mois et personne ne le lit en entier. Avec l'outil que vous avez choisi, vous automatisez la chaîne : récupération des données, contrôles de qualité, calcul des indicateurs, mise à jour du tableau de bord et envoi d'une alerte quand un indicateur sort de sa fourchette. Vous documentez ce qui se passe si une source manque. Vous préparez ensuite la présentation du mois au comité de direction : une histoire construite autour de trois messages, appuyée sur quelques graphiques choisis, avec une recommandation claire. Vous pouvez utiliser un assistant IA pour préparer vos commentaires, à condition de vérifier chaque chiffre. La soutenance se déroule comme un vrai comité, en quinze minutes.

Mener une mission d'analyse complète sur un besoin client réel issu d'une mission Formuloo, de la question initiale à la restitution, puis passer la soutenance finale.

Pour ce dernier sprint, Formuloo vous confie **un besoin client réel issu d'une de ses missions**. Le client a une question précise, par exemple comprendre une baisse d'activité, suivre un nouveau service ou préparer une décision d'investissement, et des données qu'il n'a pas encore su exploiter. Vous cadrez la mission lors d'un entretien avec le client et votre mentor : question, indicateurs, sources, contraintes de confidentialité et date de restitution. Vous menez ensuite toute la chaîne avec l'outil que vous avez choisi : accès aux données, contrôle de qualité, analyse, tableau de bord et recommandations. Les données restent dans l'environnement fourni par le client. Vous restituez vos résultats au client, puis vous passez la soutenance finale devant un jury Formuloo, qui revient aussi sur votre portfolio.