🎓 Projets Master 1 - Data Analyst (2021-2022)

💻 Le code des 10 projets est consultable : projets_Master_1 — notebooks avec leurs sorties, sans les jeux de données.

Formation : OpenClassrooms + ENSAE
Durée : 12 mois
Projets réalisés : 10 projets validés

Où en est ce projet : les 10 projets sont validés et clos (2022). Leurs notebooks et livrables sont versionnés dans le dépôt dédié ; seuls les jeux de données et les artefacts lourds en sont exclus, ce qui garde le dépôt consultable en ligne.

🧑‍💼 Vue d’ensemble

Cette première année de formation (2021-2022) pose les bases du métier de data analyst : passer de données brutes à des recommandations utilisables par une équipe métier, sur des cas concrets — ventes e-commerce, gestion de stock, indicateurs d’égalité professionnelle, qualité de l’eau potable, étude de marché…

Le fil conducteur des retours d’évaluateurs (5 formateurs différents sur 10 projets) : la technique était acquise dès le début, mais la présentation des résultats à un public non-technique était le point à travailler — et s’est nettement améliorée au fil des projets (voir le dernier, sur la détection de faux billets, où ce retour a été le plus explicite).

📊 Vue d’Ensemble

Compétences Acquises

  • ✅ Analyse exploratoire et dashboarding (P2, P5, P6, P8)
  • ✅ Bases de données SQL (P3)
  • ✅ Algorithmes fondamentaux de ML (P9, P10)
  • ✅ Visualisation de données (P2, P4, P6, P7, P8, P9)
  • ✅ Tests statistiques (P6)
  • ✅ Séries temporelles (P6)
  • ✅ Clustering et ACP (P9)
  • ✅ Régression et classification (P10)
  • ✅ Outils no-code : KNIME (P7), Tableau (P8)
  • ✅ Conformité RGPD (P7)

Outils Maîtrisés

Catégorie Technologies
Langages Python, SQL
Data Analysis Pandas, NumPy, Scikit-learn
Visualisation Matplotlib, Seaborn, Plotly
BI & Dashboard Tableau, Power BI, Excel
No-Code KNIME Analytics Platform
Base de données PostgreSQL, MySQL

📁 Liste des Projets

1. Plan d’Apprentissage Personnalisé

Statut : ✅ Validé | Durée : ~20 heures

Objectifs : - Élaborer un plan d’apprentissage personnalisé sur 12 mois - Identifier les ressources et outils nécessaires - Planifier les 10 projets avec dates prévisionnelles

Compétences validées : - Gestion de projet personnel - Identification de ressources pertinentes - Planification et organisation

2. Analyse des Ventes pour un E-commerce

Statut : ✅ Validé

Contexte : Analyse des données de ventes d’une entreprise e-commerce

Réalisation : - Analyse exploratoire complète - 12 graphiques principaux + 2 graphiques explicatifs - Dashboard interactif avec filtres - Présentation des insights

Outils : Excel, Dashboard interactif, PowerPoint

Feedback : “Très beau travail autour de l’analyse des data. Beau rendu avec explications claires. Des softs skills déjà acquis autour de la présentation.”

3. Base de Données Immobilière avec SQL

Statut : ✅ Validé

Contexte : Conception et exploitation d’une base de données immobilière

Réalisation : - Modélisation MCD/MLD avec normalisation (1FN, 2FN, 3FN) - Création des tables et chargement des données - 9 requêtes SQL complexes (jointures, agrégations, sous-requêtes) - Bonus : Présentation d’une BI

Outils : PostgreSQL/MySQL, SQL avancé, BI tool

Feedback : “Les données sont chargées dans une base de données. Le MCD et le MLD sont valides. Les requêtes SQL sont valides et permettent de répondre aux différentes questions.”

4. Étude de Santé Publique avec Python

Statut : ✅ Validé

Contexte : Analyse de données de santé publique

Réalisation : - Configuration environnement Python (Anaconda, Jupyter) - Manipulation de DataFrames (Pandas, NumPy) - Analyses descriptives et visualisations - Intégration d’analyses supplémentaires non demandées

Outils : Python (Pandas, NumPy, Matplotlib, Seaborn), Jupyter Notebook

Feedback : “Conforme à la demande. Intégration d’analyses supplémentaires. Bonne présentation.”

5. Optimisation de la Gestion des Données d’une Boutique

Statut : ✅ Validé

Contexte : Analyse et optimisation de la gestion des stocks

Réalisation : - Classification des données (produits, ventes, stocks, clients) - Nettoyage des données (valeurs manquantes, doublons, incohérences) - Analyse univariée détaillée - Détection d’anomalies dans les stocks - Recommandations pour optimisation

Outils : Python (Pandas, NumPy), Matplotlib, Seaborn

Feedback : “Bonne présentation claire et précise. Analyse orientée métier et répond bien aux besoins exprimés.”

6. Analyse des Ventes d’une Librairie

Statut : ✅ Validé

Contexte : Analyse des ventes avec séries temporelles et tests statistiques

Réalisation : - Tests statistiques (Shapiro-Wilk, Kolmogorov-Smirnov, t-test, Mann-Whitney) - Analyse bivariée (corrélations, scatter plots) - Séries temporelles (décomposition, saisonnalité, prévisions) - Bonus Power BI : Dashboard interactif complet (7 min supplémentaires)

Outils : Python (Pandas, Statsmodels, Scipy), Power BI

Feedback : “Livrable complet et conforme aux attentes. L’étudiant est allé au-delà de ce qui est demandé en proposant un ensemble de graphiques et tableau de bord sur PowerBI.”

7. Analyse des Indicateurs d’Égalité Femme/Homme avec KNIME

Statut : ✅ Validé

Contexte : Analyse des indicateurs d’égalité professionnelle

Réalisation : - Collecte et conformité RGPD - Préparation des données (nettoyage, normalisation) - Workflow KNIME complet - Analyse des écarts de rémunération - Visualisations (barcharts empilés, indicateurs)

Outils : KNIME Analytics Platform, Workflow ETL

Feedback : “Tous les livrables sont présents et conformes aux attentes. Bonne prise en main de KNIME. Graphiques intéressants.”

8. Étude sur l’Eau Potable avec Tableau

Statut : ✅ Validé

Contexte : Analyse de données sur la qualité de l’eau potable

Réalisation : - Analyse du besoin client (questions analytiques) - Dashboard Tableau avec plusieurs vues (globale, continentale, nationale) - Filtres interactifs - Graphiques adaptés aux types de données - Publication sur Tableau Public

Outils : Tableau Desktop, Tableau Public

Feedback : “Bonne soutenance dans l’ensemble, très claire apporte de bonne justification.”

9. Étude de Marché avec Clustering et ACP

Statut : ✅ Validé

Contexte : Analyse de marché avec réduction de dimension et segmentation

Réalisation : - ACP : Éboulis des valeurs propres, cercle des corrélations, projection des individus - Clustering : Dendrogramme CAH, K-Means, justification du nombre de classes - Caractérisation : Centroïdes, heatmap, boxplots, radar plots - Démarche respectée (contexte, méthodologie, résultats, recommandations)

Outils : Python (Scikit-learn, Scipy), Matplotlib, Seaborn

Feedback : “Bonne présentation dans l’ensemble. Les graphiques sont un point fort.”

10. Détection de Faux Billets

Statut : ✅ Validé

Contexte : Classification de billets authentiques vs contrefaçons

Réalisation : - Régression linéaire (feature engineering poussé) - Régression logistique et classification (cross-validation, optimisation) - Analyse prédictive (plusieurs modèles comparés) - Clustering (CAH + matrice de confusion)

Outils : Python (Scikit-learn, Pandas, NumPy), Matplotlib, Seaborn

Feedback : “Le projet est techniquement OK mais il faut faire un effort sur la présentation des résultats.”

Leçon apprise : Importance de la structuration des présentations et de la communication des résultats.

📊 Synthèse des Feedbacks

Mots-clés dominants : - Présentation : Mentionnée dans 8/10 projets - Conforme/Complet : Livrables de qualité - Bonus/Supplémentaire : Proactivité (Power BI, analyses additionnelles) - Orienté métier : Compréhension des besoins business - Graphiques : Point fort récurrent

Évolution constatée : - Présentations de plus en plus fluides et structurées - Leçon P10 (soutenance confuse) intégrée pour la suite

🎯 Points Forts Développés

Proactivité

  • Allé au-delà des attentes dans la plupart des projets
  • Bonus Power BI (P6), BI présentée (P3), analyses supplémentaires (P4)

Compétences Techniques

  • Maîtrise de Python, SQL, KNIME, Tableau, Power BI, Excel
  • Capacité d’adaptation à différents outils et domaines

Sens du Métier

  • Analyse orientée métier (P5, P6, P9)
  • Communication des résultats aux stakeholders

Évolution

  • Présentations de plus en plus fluides et structurées
  • Leçon P10 intégrée pour la suite du parcours

📈 Transition vers Master 2

Objectifs atteints : - Bases solides en analyse de données - Premiers modèles de ML - Capacité à réaliser des analyses complètes

Ambitions pour M2 : - Problèmes plus complexes - Deep learning et NLP - Données à plus grande échelle - Alternance en entreprise

Dernière mise à jour : Août 2026
Contact : cyril.bgs.dev@gmail.com

📦 Livrables — notebooks, rapports et soutenances sont dans le dépôt lié en haut de page. Les jeux de données ne sont pas redistribués.