Portfolio · Data Analyst · 2026

AalyaBourdet

Data Analyst, avec près de 9 ans d'expérience en banque et assurance. J'associe compréhension des besoins métier, analyse de données et pédagogie.Data Analyst with almost 9 years of experience in banking and insurance. I combine an understanding of business needs, data analysis and teaching skills.

Recherche un poste de Data Analyst · disponible en décembre 2026Looking for a Data Analyst role · available December 2026

ParcoursCareer

De la relation client à l'analyse de donnéesFrom client relations to data analysis

Formation Data Analyst · certification RNCP de niveau 6 (2026). Dans chacun de mes postes, j'analysais déjà des données : portefeuilles clients, retours terrain, KPI commerciaux.Data Analyst training · RNCP level 6 certification (2026). In every role I was already analysing data: client portfolios, field feedback, sales KPIs.

← Faites glisser la frise →← Swipe the timeline →

FormationEducation
Banque & assuranceBanking & insurance
TransmissionTeaching
EntrepreneuriatEntrepreneurship
ExpérienceExperienceDiplômesDegrees

    Ma valeur ajoutéeMy added value

    MES PROJETS · 3 TABLEAUX DE BORDMY PROJECTS · 3 DASHBOARDS
    Aperçu du projet
    Python · SQL · dbt · BigQuery · Power BI · Looker Studio
    Mes projetsMy projects

    De la donnée brute à la décisionFrom raw data to decision

    Trois projets réalisés en formation, sur des données publiques ou pédagogiques. À chaque fois, une vraie question métier, un tableau de bord et une recommandation.Three projects built during my training on public or teaching datasets. Each time: a real business question, a dashboard and a recommendation.

    SkyWatch28 937

    passages d'astéroïdes modélisésasteroid passes modelled

    SkyWatch81%

    des survols détectés par le modèleof flybys caught by the model

    Eau potableWater70

    pays analysés, 12 prioritairescountries analysed, 12 priority

    Marketing133M£

    de ventes analyséesof sales analysed

    ProjetsProjects
    ProjetProject QuestionQuestion OutilsStack RésultatResult
    SkyWatchPeut-on anticiper les survols rapprochés d'astéroïdes ?Can close asteroid flybys be anticipated?dbt · BigQuery · Looker Studio · ML81 % détectés81% detected
    Eau potableDrinking waterOù une ONG doit-elle intervenir en priorité ?Where should an NGO act first?pandas · Power BI · DAX12 pays ciblés12 countries targeted
    MarketingLes promotions font-elles vendre, et quel code proposer à qui ?Do promotions sell, and which code for whom?Power BI · DAX · ML76 % du CA avec promo76% of revenue on promo
    Projet de certification · ma partie : les astéroïdesCertification project · my part: asteroids

    SkyWatch

    Les catalogues de la NASA transformés en outil de veille : combien d'astéroïdes nous frôlent, lesquels surveiller, et peut-on prévoir leurs survols ?NASA catalogues turned into a monitoring tool: how many asteroids pass close to us, which to watch, and can their flybys be predicted?

    Ma source : API NASA NeoWs (Near Earth Object Web Service) — données publiques réelles · le dashboard présenté est mon travail personnelMy source: NASA NeoWs API (Near Earth Object Web Service) — real public data · the dashboard shown is my own work

    dbt · BigQuery · Looker Studio
    SkyWatch dashboard page
    16 267 km

    Le passage le plus proche (2017 GM, 4 avril 2017), plus près que les satellites géostationnaires.The closest pass (2017 GM, 4 April 2017), nearer than geostationary satellites.

    1 358

    des 2 088 astéroïdes du catalogue croisent l'orbite terrestre. Sur l'ensemble du catalogue, 7,3 % sont classés potentiellement dangereux.of the 2,088 catalogued asteroids cross Earth's orbit. Across the whole catalogue, 7.3% are classed as potentially hazardous.

    × 1,7

    Quand le modèle lance une alerte, elle est 1,7 fois plus souvent juste qu'un tirage au hasard parmi tous les objets.When the model raises an alert, it is right 1.7 times more often than a random pick among all objects.

    Comment lire ces chiffresHow to read these figures
    Survol rapprochéClose flyby
    Passage à 0,05 unité astronomique ou moins de la Terre (environ 7,5 millions de km), le seuil retenu dans le tableau de bord.A pass within 0.05 astronomical units of Earth (about 7.5 million km), the threshold used in the dashboard.
    Test réservé (522 objets)Held-out test (522 objects)
    Une partie du catalogue que le modèle n'a jamais vue à l'entraînement. Les indicateurs de performance sont calculés uniquement sur ces objets.Part of the catalogue the model never saw in training. Performance metrics are computed only on these objects.
    81 %
    Le rappel : parmi les objets du test qui ont vraiment fait un survol rapproché, la part que le modèle a signalée.Recall: among test objects that really made a close flyby, the share the model flagged.
    × 1,7
    La précision des alertes divisée par la part d'objets à survol rapproché dans les données : le gain par rapport à une sélection au hasard.Alert precision divided by the share of close-flyby objects in the data: the gain over random selection.
    52 %
    La part d'objets que le modèle ne signale pas : autant d'objets en moins à surveiller en priorité.The share of objects the model does not flag: that many fewer objects to watch first.
    SourcesSources
    Données publiques NASA (approches rapprochées, catalogue d'astéroïdes), NOAA (éruptions solaires) et EONET (événements naturels), réunies dans un modèle dbt sur BigQuery.Public NASA data (close approaches, asteroid catalogue), NOAA (solar flares) and EONET (natural events), combined in a dbt model on BigQuery.
    Visualisation interactiveInteractive visual

    6 036 passages à moins de 50 distances lunaires6,036 passes within 50 lunar distances

    Chaque point est un passage d'astéroïde autour de la Terre. Choisissez une tranche de distance pour l'isoler, ou survolez le radar pour lire la distance.Each dot is an asteroid pass around Earth. Pick a distance band to isolate it, or hover the radar to read the distance.

    LD = distance Terre-Lune (384 400 km). Effectifs réels par tranche, issus du tableau de bord ; la position exacte et l'angle de chaque point sont illustratifs. Échelle en racine carrée pour rendre visibles les passages proches.LD = Earth–Moon distance (384,400 km). Real counts per band, from the dashboard; each dot's exact position and angle are illustrative. Square-root scale so close passes stay visible.

    Étude de cas · ONG fictive « Eau pour Tous »Case study · fictional NGO "Water for All"

    Accès à l'eau potableAccess to drinking water

    Un tableau de bord pour qu'une directrice d'ONG décide en moins de deux minutes où intervenir.A dashboard that lets an NGO director decide where to act in under two minutes.

    Source : jeu de données pédagogique fourni en formation · 70 pays · année 2022 · client fictif · moyennes simples par pays, non pondérées par la populationSource: training dataset · 70 countries · year 2022 · fictional client · simple averages per country, not population-weighted

    Python · Power BI

    accès moyen à une eau potable sécurisée dans les 70 pays (moyenne simple par pays)average access to safe drinking water across 70 countries (simple average per country)

    en Afrique, où se trouvent 16 des 19 pays critiquesin Africa, home to 16 of the 19 critical countries

    en Europe, avec 13 ans d'espérance de vie de plus en moyenne qu'en Afriquein Europe, where average life expectancy is 13 years higher than in Africa

    Water dashboard page
    Visualisation interactiveInteractive visual

    12 pays prioritaires : peu d'eau sûre, forte mortalité infantile12 priority countries: little safe water, high infant mortality

    Moins de 30 % d'accès à l'eau sécurisée et plus de 40 décès pour 1 000 naissances. Plus la bulle est grande, plus il y a de personnes sans eau sûre. Survolez une bulle.Under 30% safe-water access and over 40 infant deaths per 1,000 births. The bigger the bubble, the more people lack safe water. Hover a bubble.

    Données du tableau « Pays prioritaires » (2022). Les nombres dans les bulles sont en millions de personnes. Ce graphique montre une association entre accès à l'eau et mortalité, pas une relation de cause à effet : d'autres facteurs (soins, revenus, conflits) jouent aussi.Data from the "Priority countries" table (2022). Numbers inside bubbles are millions of people. The chart shows an association between water access and mortality, not cause and effect: other factors (healthcare, income, conflict) also matter.

    Brief 15 · RetailCorp · déc. 2009 – déc. 2011Brief 15 · RetailCorp · Dec 2009 – Dec 2011

    Marketing & promotionsMarketing & promotions

    Les promotions font-elles vraiment vendre ? Et quel code promo proposer à quel client, sur quel marché ?Do promotions really drive sales? And which promo code should go to which customer, in which market?

    Source : transactions d'un e-commerçant britannique, déc. 2009 – déc. 2011, enrichies pour l'exercice (codes promo, segments, canaux) · cas pédagogiqueSource: transactions from a UK online retailer, Dec 2009 – Dec 2011, enriched for the exercise (promo codes, segments, channels) · training case

    Power BI · ML
    RetailCorp dashboard page
    ComparateurComparator

    Avec ou sans promotion ?With or without a promotion?

    Chiffre d'affairesRevenue£101,5M

    76 % du CA total

    Panier moyenAverage basket£2 345

    −15 % par rapport aux ventes sans promo

    Le CA des ventes avec promotion est environ 3,3 fois supérieur à celui des ventes sans promotion, mais leur panier moyen est plus faible. Ces chiffres ne prouvent pas que la promotion crée la vente, et juger la rentabilité demanderait les données de marge.Revenue from promoted sales is about 3.3 times that of non-promoted sales, but their average basket is lower. These figures do not prove that promotions cause the sales, and judging profitability would require margin data.

    Top produits par CATop products by revenue

    Ce qui se vend le mieuxWhat sells best

    Valeurs réelles, en livres sterling. La décoration intérieure est la catégorie n° 1.Real values, in pounds sterling. Home decoration is the top category.

    £133M

    de chiffre d'affaires, 12,4 M d'articles et 53 628 factures sur deux ans.in revenue, 12.4M items and 53,628 invoices over two years.

    VIP

    C'est le segment qui réagit le mieux aux promotions.The segment that responds best to promotions.

    Oct. → déc.Oct → Dec

    Le pic des ventes chaque année, suivi d'une baisse marquée fin décembre.The yearly sales peak, followed by a sharp drop in late December.

    CompétencesSkills

    De la donnée brute à la décisionFrom raw data to decision

    Toute la chaîne de la donnée travaillée pendant 700 heures de formation : collecter, stocker, transformer, analyser, restituer et industrialiser.The full data chain covered in 700 hours of training: collect, store, transform, analyse, present and industrialise.

    Python · SQL · Cloud · BI · ML
    Utilisé dans un projet de ce portfolioUsed in a project in this portfolioPratiqué en formation (cours, exercices, briefs)Practised in training (courses, exercises, briefs)
    01

    CollecterCollect

    API, open data, web, fichiersAPIs, open data, web, files

    API RESTrequestsJSONWeb scrapingRegexCSV / Excel

    SkyWatch · Brief APIAPI brief

    02

    StockerStore

    Bases relationnelles et cloudRelational databases and cloud

    SQLBigQueryModélisationData modellingMySQLPostgreSQLSQLiteCloud StorageAWS S3RedshiftSQLAlchemy

    SkyWatch · Streaming DB

    03

    TransformerTransform

    Nettoyage, qualité, modèles de donnéesCleaning, quality, data models

    pandasdbtPower QueryNumPyTests dbtdbt testsArchi. médaillonMedallion arch.Modèles incrémentauxIncremental modelsPySpark

    SkyWatch · Eau potableWater

    04

    Analyser & prédireAnalyse & predict

    Statistiques et machine learningStatistics and machine learning

    ML superviséSupervised MLBigQuery MLCorrélationsCorrelationsscikit-learnSegmentation K-meansK-means clusteringNLPHyperparamètresHyperparameters

    SkyWatch · Marketing · Eau potableWater

    05

    RestituerPresent

    Tableaux de bord et storytellingDashboards and storytelling

    Power BIDAXLooker StudioData storytellingStreamlitExcelHTML / CSS

    SkyWatch · Eau potableWater · Marketing

    06

    IndustrialiserIndustrialise

    Automatiser, déployer, fiabiliserAutomate, deploy, make reliable

    Git / GitHubGitHub ActionsDockerPrefectFastAPILoggingpytestClean codeAPI LLM (Gemini)LLM APIs (Gemini)

    SkyWatch

    LanguesLanguages

    Français · langue maternelleFrench · nativeAnglais · préparation au niveau B2English · preparing for B2Espagnol · basesSpanish · basic

    Savoir-êtreSoft skills

    PédagogieTeachingPrise de parolePublic speakingÉcoute clientClient listeningAdaptabilitéAdaptability
    CadreGovernance

    RGPD & gestion des risquesGDPR & risk management

    Registre des risques, données personnelles, éthique de l'IA et impact environnemental du numérique.Risk registers, personal data, AI ethics and the environmental impact of digital tech.

    MéthodeMethod

    Projet & agilitéProjects & agile

    Cahier des charges, recueil du besoin, design thinking, scrum et revues d'avancement en équipe.Requirements, needs gathering, design thinking, scrum and team progress reviews.

    AtoutEdge

    Le métier avant l'outilBusiness first

    Près de 9 ans en banque et assurance : je sais à quelle décision doit servir chaque chiffre.Almost 9 years in banking and insurance: I know which decision each figure has to serve.

    Autres travauxMore work

    Exercices et briefs du bootcampBootcamp exercises and briefs

    Python

    Diamond Slayer

    Jeu de combat au tour par tour en console : boucles, conditions, fonctions, gestion des erreurs.Turn-based console combat game: loops, conditions, functions, error handling.

    # combat turn while hero_hp > 0 and boss_hp > 0: boss_hp -= attack(ask_action()) hero_hp -= boss_turn()
    SQL · ModélisationSQL · Data modelling

    Base de données d'une plateforme de streamingStreaming platform database

    Utilisateurs, films, réalisateurs, acteurs et visionnages : clés primaires, clés étrangères et tables d'association.Users, films, directors, actors and viewings: primary keys, foreign keys and junction tables.

    API · pandas

    Trois API, un DataFrameThree APIs, one DataFrame

    OpenWeather, The Guardian, Spoonacular : fonctions réutilisables, pagination, JSON vers DataFrame.OpenWeather, The Guardian, Spoonacular: reusable functions, pagination, JSON to DataFrame.

    SQL avancéAdvanced SQL

    CTE et fonctions de fenêtrageCTEs and window functions

    Sous-requêtes, auto-jointures et vues sur SQLite, MySQL et PostgreSQL.Subqueries, self-joins and views on SQLite, MySQL and PostgreSQL.

    ÉtudeResearch

    Le métier de Data AnalystThe Data Analyst role

    Étude du métier à partir des référentiels RNCP : carte mentale et présentation.Study of the role from national skills frameworks: mind map and presentation.