Stagiaire Business Analyste

Intégration de l'équipe marketing de TotalEnergie Sénégal pour soutenir la prise de décision commerciale par l'analyse de données et la création de tableaux de bord.

• Conception de tableaux de bord pour le suivi des performances des équipes commerciales.
• Pilotage de l'analyse des TPE (Très Petites Entreprises) et suivi de leur activité.
• Analyse des résultats mensuels et annuels des unités commerciales.
• Évaluation des performances de vente de lubrifiants et carburants par station.
• Identification des meilleurs ventes par agent de station pour optimiser les pratiques.
• Développement d'un modèle d'arbre de décision pour prédire la probabilité de défaut de paiement des prêts à partir des données clients.
• Réalisation d'une analyse exploratoire de données avec Python (Seaborn et Pandas).
• Préparation, nettoyage, transformation et chargement des données à l'aide de Power BI.
• Effectuation d'une analyse de données avec PySpark et visualisations avec Tableau.
• Calcul de statistiques descriptives et formation en statistique sous R.

Complément de formation en rejoignant le centre de formation Orange Center dans un rôle d'assistance commerciale.

CONTEXTE & PÉRIMÈTRE :

• Poste de Data Analyst, au service des décisions métiers et de la création de valeur à partir de la donnée.
• Travail transverse avec les équipes métiers, produit et techniques.
• Intervention de la collecte de la donnée jusqu'à la mise en production des modèles et tableaux de bord.
• RESPONSABILITÉS & MISSIONS :
• Recueil, collecte et structuration des données issues de sources multiples.
• Conception et maintenance de pipelines de données (ETL/ELT) fiables et automatisés.
• Nettoyage, préparation et modélisation des données (qualité, feature engineering).
• Analyses exploratoires et statistiques pour répondre aux problématiques métiers.
• Conception de tableaux de bord et de KPIs (BI) à destination des décideurs.
• Développement, entraînement et évaluation de modèles de machine learning.
• Mise en production et industrialisation des modèles (MLOps, monitoring, ré-entraînement).
• Mise en place de la gouvernance, de la qualité et de la documentation des données.
• Restitution et vulgarisation des résultats auprès des parties prenantes.
• Veille technologique sur les méthodes et outils data/IA.
• RÉALISATIONS CLÉS :
• Tableaux de bord ayant accéléré et fiabilisé la prise de décision (à chiffrer).
• Modèles prédictifs générant un gain mesurable (revenus, coûts, performance).
• Automatisation de reportings manuels (gain de temps significatif).
• Amélioration de la qualité et de l'accessibilité des données pour les équipes.
• Industrialisation d'un modèle de la preuve de concept à la production.
• SQL, Python (pandas, scikit-learn), outils de BI (Power BI, Tableau, Looker).
• Data warehouse (BigQuery, Snowflake), cloud, orchestration (Airflow), frameworks de machine learning.