Paris, Île-de-France, France
I help fintech companies understand why their user acquisition does not generate profit. Many fintech platforms acquire thousands of users, but only a small percentage actually generate value. Through data analysis and marketing analytics, I identify which users are truly profitable and which acquisition strategies attract them. My work focuses on connecting acquisition, user behavior and financial performance. Typical analyses include: • CAC and acquisition channel profitability • LTV and user value segmentation • Cohort analysis and retention • KYC, activation and first transaction funnels • Revenue and profitability by user segment I support fintech teams to make data-driven decisions about their marketing and growth strategy. Tech stack: SQL · Python · Power BI · Product & Marketing Analytics
**Objectif de la mission** : Déploiement, maintient et optimisation des tableaux de bord en Power BI au service des équipes de contrôle de gestion et de QHSE (Qualité, Hygiène, Sécurité et Environnement) Contrôle de gestion : développement de trois reportings pour répondre aux besoins spécifiques des collaborateurs, managers et chefs de projets. **Reporting pour les collaborateurs** : Le TdB permet aux collaborateurs de simplifier la gestion individuelle du temps passé sur les projets et permet un suivi plus précis de leurs activités. **Reporting pour les managers** : Ce rapport donne aux managers une vision complète de l'activité de leurs équipes sur différents projets. Il permet d'optimiser la gestion des ressources et de suivre les projets. **Reporting pour les chefs de projets** : Destiné aux chefs de projets, ce tableau de bord permet de suivre l'avancement des projets en termes de budget alloué versus les prévisions et les dépenses réelles afin d'anticiper les écarts financiers et ajuster les stratégies pour respecter les objectifs. QHSE: Ces reportings étaient spécifiquement conçus pour permettre aux dirigeants de suivre l'évolution des principaux indicateurs QHSE et de prendre des décisions stratégiques éclairées **Aspect techniques** : - Connexion aux données (PostgreSQL) - Data Engineering via Power Query & SQL - Filtrage des données selon l'année civile ou fiscale : Mise en place d'un filtre dynamiques permettant aux utilisateurs de visualiser les données selon l'année civile ou l'année fiscale. - Mesures & tables permettant l'analyse selon différentes périodes (YTD, 12 mois glissants, mensuel) - Gestion de RLS (Row-Level Security) - Création d'un environnements de Production et de Recette sur Power BI Service : Mise en place deux environnements, un pour les tests et la validation, et un environnement de production.
Contexte : La production du reporting réglementaire FRA-RAC reposait majoritairement sur des retraitements Excel manuels, entraînant 3 semaines de travail, des écarts entre données opérationnelles et financières, et un risque opérationnel élevé. Enjeux métier : ⚫Réduire drastiquement le temps de production du FRA-RAC ⚫Sécuriser la cohérence des données (ANR, encours, mouvements, périmètres) ⚫Limiter les écarts entre référentiels ⚫Préparer une automatisation complète du reporting pour les cycles suivants Pourquoi : répondre aux exigences AMF tout en protégeant les équipes Middle Office Interventions : ⚫Audit complet de la chaîne de données réglementaire : sources, retraitements, points de fracture, dépendances Excel ⚫Conception d’un modèle de données FRA-RAC consolidant les référentiels et les tables de correspondance (fonds / produits / codes internes) ⚫Développement d’une application de pré-production permettant d’ingérer les fichiers sources, d’appliquer la logique de calcul réglementaire et de générer le reporting dans le template AMF ⚫Automatisation des mécaniques de calculs complexes (nominatif, exclusions, périmètres, règles OPC/OIC, gestion des club deals…) ⚫Mise en place d’un plan de contrôle (picking, variances, dashboard de cohérence) pour sécuriser les écarts inter-services : Opérations, Distribution, Finance ⚫Documentation structurée de l’ensemble de la chaîne (données, règles, traitements) Résultats Réduction de 3 semaines → quelques heures pour la production du FRA-RAC Alignement des données financières et opérationnelles grâce aux contrôles croisés Forte diminution du risque opérationnel et des écarts inter-référentiels Base solide pour une industrialisation complète du reporting AMF l’année suivante
Contexte Au sein de l’Inspection Générale de la BNP, les inspecteurs menaient des audits à fort enjeu réglementaire et de maîtrise des risques. Cependant, le suivi consolidé des missions, l’identification des anomalies, la traçabilité des recommandations et la qualité des données reposaient sur des chaînes manuelles fragmentées, exposant l’organisation à un risque opérationnel élevé et à un manque de visibilité transverse. Enjeux métier ⚫Automatiser le pilotage des missions d’audit pour renforcer la maîtrise des risques ⚫Détecter plus rapidement les anomalies et zones d’exposition grâce au data control ⚫Suivre l’avancement et la résolution des recommandations ⚫Améliorer la gouvernance, la qualité et la traçabilité des données ⚫Renforcer le pilotage interne et la capacité d’alerte des inspecteurs Objectif final : fiabiliser les processus soumis à supervision BCE / ACPR Interventions ⚫Intégré dans l’équipe des inspecteurs, j’ai piloté la conception du reporting transverse couvrant l’ensemble des missions d’audit. ⚫Automatisation complète des flux de données via un modèle robuste permettant de centraliser, croiser et contrôler les informations issues de plusieurs systèmes internes. ⚫Mise en place d’un data control avancé : détection d’anomalies, incohérences, retards, points de faiblesse structurels et risques. ⚫Construction d’un système d’alerte, permettant aux inspecteurs d’anticiper les dérives et de cibler les zones d’exposition. ⚫Accompagnement des inspecteurs dans l’appropriation du nouvel outil et des nouveaux workflows de pilotage. Résultats ⚫Vision transverse et fiabilisée de l’ensemble des missions d’audit IG ⚫Réduction significative du risque opérationnel lié à la consolidation manuelle ⚫Détection plus rapide des anomalies et points de faiblesse ⚫Suivi renforcé des recommandations et actions correctives ⚫Gouvernance et qualité des données nettement améliorées ⚫Inspecteurs plus autonomes, meilleure capacité d’anticipation et de pilotage interne
Contexte Au sein de l’équipe L&D de l’Inspection Générale (5 personnes), la Direction devait assurer le suivi précis des formations obligatoires imposées par la BCE (conformité, risques, contrôles, code de conduite, LCB-FT…). Les données étaient dispersées entre plusieurs fichiers et outils, sans vision consolidée ni traçabilité robuste — augmentant le risque de non-conformité lors des audits internes et BCE. Enjeux métier: ⚫Garantir la conformité aux obligations de formation BCE ⚫Centraliser et fiabiliser les données L&D ⚫Suivre les taux de complétion, retards, rappels, risques associés ⚫Identifier rapidement les zones d’exposition (équipes, métiers, niveaux) ⚫Donner à la Direction IG une vision claire, fiable et auditable ⚫Réduire la dépendance aux fichiers Excel instables Interventions: ⚫Ateliers L&D : analyse des obligations BCE, définition des règles de gestion, formalisation des KPI obligatoires (compliance, complétion, risques) ⚫Construction d’un référentiel L&D audit-proof : périmètres, définitions, cycles obligatoires, typologies de formation ⚫Automatisation des reportings L&D : consolidation multi-sources, contrôles de cohérence, traçabilité complète des données ⚫Mise en place d’un système de suivi en continu : complétion, retardataires, formations critiques ⚫Renforcement de la gouvernance : documentation, dictionnaire des données, règles de calcul unifiées ⚫Formation de l’équipe L&D à l’analyse autonome Résultats: ⚫Vision consolidée et fiable des formations obligatoires IG ⚫Réduction majeure du risque de non-conformité BCE ⚫Suivi automatique des retards, rappels et formations critiques ⚫Gouvernance de la donnée L&D professionnalisée ⚫Autonomie renforcée de l’équipe L&D dans la production et l’analyse ⚫Harmonisation complète des indicateurs de formation
Reporting (Microsoft Power BI): - Exploitation et mise en valeur des données. - Définition des KPI, mise en œuvre et automatisation des dashboards permettant de piloter et d'analyser les campagnes marketing (ciblage, acquisition de lead, consommation...) et actions commerciales Analyse statistiques/ Machine learning : - Identification, compréhension et traduction mathématique des besoins métiers dans différents domaines: marketing, connaissance client, churn etc - Mise en place des pipelines pour récupérer, nettoyer et analyser les données - Identification des données pertinentes afin de confirmer la faisabilité de la mise en production d’un algorithme - A/B Testing, test d'hypothèse statistiques, modèle de survie, analyse des corrélations et d'associations, analyse de régression, ACP, Kmeans etc.. - Machine learning, Régression logistique, Random forest,SVM, XGBoost, QDA... - Optimisation des hyper paramètres des algorithmes de machine learning - Interprétation des résultats d’un point de vue métier - Création d'une API REST en python (Fastapi,flask) pour la gestion d'un référentiel de données - Creation d'image/container Docker(swarm) et participation au déploiement des application