1. Le défi métier

Les directions commerciales disposent souvent de nombreuses données (CRM, ventes, marketing, SAV…), mais peinent à obtenir une vision consolidée de leur activité.

Les enjeux

• Identifier les leviers de croissance
• Suivre les objectifs commerciaux
• Mesurer la rentabilité
• Optimiser les campagnes marketing
• Améliorer la fidélisation client
• Évaluer la performance des équipes commerciales

L’objectif du projet était de concevoir un tableau de bord décisionnel permettant de suivre les principaux KPI commerciaux en temps réel. Les thèmes couverts incluent notamment la performance commerciale, les campagnes marketing, les produits, les représentants commerciaux, la rentabilité, les clients et les objectifs.

2. Recueil des besoins

Définir précisément les KPI’s à utiliser ainsi que les fonctionnalités du tableau de bord

3. Modélisation (Star Schema)

4. Les 5 indicateurs stratégiques

Performance commerciale : suivi du chiffres d’affaire, des marges et des objectifs commerciaux

Performance de la force de vente : identifier les commerciaux les plus performants et les opportunités d’amélioration

Acquisition et conversion : mesurer l’efficacité du tunnel commercial

Rentabilité des produits : identifier les produits qui génèrent le plus de valeur

Fidélisation : suivre l’engagement et la réactivation des clients

5. Résultats

Cette solution permet aux équipes métiers de disposer d’une vision consolidée de la performance commerciale et marketing. Grâce à des tableaux de bord interactifs, les utilisateurs peuvent explorer rapidement les données, suivre leurs objectifs, identifier les leviers de croissance et prendre des décisions basées sur des indicateurs fiables et actualisés.

Le projet met en évidence mes compétences en modélisation de données, visualisation, création de KPI, développement DAX et conception de solutions décisionnelles avec Power BI.

1. Les défis actuels

Patient → Analyse clinique→ Diagnostic→ Décision médicale

Défi	Impact
Diagnostic parfois tardif	Risque de complications
Ressources médicales limitées	Priorisation difficile
Volume important de patients	Temps d’analyse élevé
Décisions basées sur de nombreuses variables	Risques d’erreurs humaines

2. Ma solution

Patient→ Modèle IA→ Probabilité de risque→ Aide au diagnostic

3. Les insight clés

Risk Score : principal facteur prédictif de l’infection

Profil des patients :

Symptômes dominants : Fièvre, vomissements, vertiges et maux de tête sont les plus représentés

Répartition géographiques : Certaines régions concentrent davantage de cas

4. Résultats des prédictions

Classification Report :

Critères	Logistic Regression	XGBoost	Explication
Accuracy	87 %	86 %	Pourcentage total de bonnes prédictions
F1-score global	88 %	86 %	Équilibre entre précision et rappel
Recall classe positive	87 %	87 %	Capacité à détecter les vrais malades
Précision classe positive	94 %	91 %	Qualité des prédictions des malades

Matrice de confusion :

Critères	Logistic Regression	XGBoost
Accuracy score on train set	87 %	88,2 %
Accuracy score on test set	87,4 %	85, 7 %

Modèle retenu présentant de meilleures performances : Logistic Regression

5. Perspective d’intégration

Les prédictions du modèle peuvent être exploitées au sein d’un tableau de bord décisionnel afin de prioriser les patients, suivre les indicateurs épidémiologiques et soutenir les décisions des professionnels de santé.