Analyse & nettoyage
Je prépare, contrôle et nettoie les données pour rendre les analyses plus fiables et les anomalies visibles.
HOLA, JE SUIS SIRLEY.
Une professionnelle de la logistique en reconversion vers la Data.
Prête à mettre mes connaissances en action pour comprendre les histoires que racontent vos données.
Logistique, vente, entrepreneuriat : j’ai construit mon parcours entre la Colombie, l’Équateur et la France. Orientée vers l’action, je m’appuie sur l’IA pour aller plus vite, mais c’est mon regard humain et business qui décide. J’apporte cette résilience et cette polyvalence unique pour transformer vos chiffres en opportunités de croissance.
Mes compétences Data : du terrain à la décision
Qualité des données
Data Management & SQL
J’extrais et j’organise des données complexes en bases claires et exploitables.
Data Visualisation & BI
Je conçois des tableaux de bord Power BI pour suivre les indicateurs et faciliter la prise de décision.
Machine Learning & IA
J’expérimente des modèles de classification et j’utilise l’IA comme copilote, avec vérification humaine.
Parcours & réalisations
Projets & preuves concrètes : de l’analyse à la décision métier
Des projets Data réalisés dans le cadre de ma formation OpenClassrooms, associés à une expérience terrain qui m’aide à relier les données aux réalités opérationnelles.
BottleneckFine Wine & Spirit
Résultats & gouvernance Data
AVANT — P6
- • Anomalies détectées mais non traitées
- • Associations artificielles sur clés manquantes
- • Décisions dispersées
APRÈS — P13
- • Anomalies isolées pour validation métier
- • Clés manquantes exclues
- • Décisions documentées
7/7 tests validés · 7 735 appariements incorrects supprimés · 1 journal par exécution
Source : audit initial et documentation P13
Projet phare · Du diagnostic à la fiabilisation
Découvrir la démarche complète →Transformer une analyse de ventes en processus Data fiable avec l’IA
Sécuriser les indicateurs tout en respectant les règles métier.
Problématique métier : le risque de perdre de l’argent ou de prendre de mauvaises décisions à cause de prix incohérents, de stocks négatifs ou d’erreurs dans le rapprochement des fichiers.
Solution : audit complet des fichiers et mise en place de vérifications automatiques avec Python, avec l’appui de l’IA sous contrôle humain. Les anomalies sont détectées et isolées avant d’alimenter les rapports.
Résultat vérifié : des données mieux fiabilisées, 7 735 appariements incorrects supprimés, 7 tests sur 7 validés et un journal de contrôle pour assurer la traçabilité des anomalies.
Source : Schéma relationnel & requêtes PostgreSQL (DATAImmo)
Data Management • SQL & Base de données
Consulter le schéma relationnel et le script SQL →Modélisation & Analyse Immobilière (DATAImmo)
Efficacité opérationnelle, structuration SQL et conformité RGPD.
• Problématique : Exploiter des milliers de données foncières brutes et non structurées sans risquer d’erreurs d’estimation sur le marché immobilier.
• Solution Sirley : Conception d’une base relationnelle sous PostgreSQL, anonymisation conforme RGPD et écriture de requêtes SQL optimisées pour analyser les prix au m² par département.
• Impact business : Structuration d’une base 100 % fiable, automatisation des indicateurs de vente et vision claire des tendances du marché.
Data Visualisation & BI
Pilotage de projets & suivi des surcoûts
Projet OpenClassrooms : conception d’un tableau de bord décisionnel Power BI pour détecter les dérives budgétaires, suivre les écarts de délais et cibler les projets à fort surcoût.
Capture réelle · Fichier Power BI disponibleConsulter les preuves et le fichier Power BI ↗
Machine Learning & Python
Étude de marché internationale (La Poule qui Chante)
Problématique : Investir à l’aveugle à l’étranger sans savoir quels pays ont le plus fort potentiel pour acheter du poulet bio.
Solution Sirley : Analyse comparative de 100 pays sous Python, regroupement automatique (ACP, K-Means) et sélection des 4 marchés cibles les plus rentables.
Consulter l’étude d’exportation et le code Python →
De la logistique à la Data
Mon expérience terrain en Colombie
En Colombie, j’ai travaillé au cœur des stocks, des expéditions et des indicateurs. Cette expérience m’a appris à chercher l’origine d’un écart et à vérifier chaque information : une rigueur que j’apporte aujourd’hui à mon métier de Data Analyst.
Archive professionnelle · ColombieDécouvrir mon parcours →✨ Preuve sociale & authenticité
Évaluations officielles : les avis bruts de mes mentors 💬
🎯 Retours authentiques, humains et sans filtre rédigés lors de mes soutenances.
Base de données immobilière avec SQL
« Tu as présenté avec clarté et assurance l’ensemble de ton travail. Tu as su répondre aux questions avec précision et démontrer ta bonne maîtrise des concepts. Bravo pour ta rigueur, ta structuration et la cohérence de ton projet ! »
Projet validéMentor évaluateur OpenClassrooms • Soutenance officielle
Gestion des données avec Python
« Sirley a cette fois-ci démontré une réelle compréhension des méthodes et techniques attendues dans le cadre de ce projet. Elle a su se remettre en question et améliorer sa démarche, ce qui lui a permis de présenter un travail désormais en adéquation avec les critères requis et d’un niveau conforme aux attentes. »
Projet validéMentor évaluateur OpenClassrooms • Soutenance officielle
Tableau de bord Power BI
« Très bon travail global. Malgré les problèmes techniques rencontrés, l’étudiante a su démontrer sa compréhension technique et métier du projet, tout en proposant un livrable complet et cohérent. Bravo pour cette belle réalisation, et bon courage pour la suite du parcours »
Projet validéMentor évaluateur OpenClassrooms • Soutenance officielle
Analyse de profils sociodémographiques
« L’étudiante a su présenter son workflow de manière claire et concise. Elle maîtrise les cinq principes RGPD et explique correctement en quoi son travail y est conforme. Les concepts relationnels et les manipulations de données sont bien compris. Le langage est adapté, sans jargon inutile ni familiarité. La présentation respecte le format, la durée et reste synthétique. »
Projet validéMentor évaluateur OpenClassrooms • Soutenance officielle
Étude de marché internationale avec Python
« Très bonne soutenance, bonne continuation ! »
Projet validéMentor évaluateur OpenClassrooms • Soutenance officielle
Détection de faux billets avec Python
« La partie clean des données et prédiction des margin low était un peu longue. Cependant toute la présentation était très fluide malgré le stress. Bravo »
Projet validéMentor évaluateur OpenClassrooms • Soutenance officielle
Analyse des ventes d’un e-commerce
« Comparaison très intéressante avec les arbres »
« Réponses aux questions un peu hésitantes »
Projet validéMentor évaluateur OpenClassrooms • Soutenance officielle
Étude sur l’accès à l’eau potable
« Présentation répartie entre pratique et théorie. »
« Bon travail dans l’ensemble. »
Projet validéMentor évaluateur OpenClassrooms • Soutenance officielle
Le point de départ : Un audit rigoureux des contrôles du notebook P6 pour identifier les risques cachés sur les KPI de Bottleneck.
L’action : Une veille ciblée et un POC documenté pour tester et valider des solutions d’automatisation robustes.
Le résultat : Des contrôles reproductibles et traçables, combinant la puissance de l’IA et le contrôle humain indispensable.
La démarche et ses preuves
Un audit initial, puis sept étapes jusqu’à la transmission
Sélectionnez une phase pour découvrir la décision prise, la compétence mobilisée et la preuve correspondante.
Audit initial · Comprendre l’existant
Identifier les risques avant qu’ils n’atteignent les KPI
Cinq domaines ont été examinés : structure et complétude, cohérence métier, identifiants, doublons et clés, jointures. L’audit a aussi permis de définir trois priorités : sécuriser les jointures et cardinalités, traiter explicitement les anomalies et centraliser la traçabilité.
Voir l’audit initial ↗Étape 1 · Rechercher et comparer
Choisir une solution proportionnée au besoin
Great Expectations, Pandera et pytest + fonctions Pandas ont été comparés selon la pertinence, la robustesse, le temps, la reproductibilité, la traçabilité, la sécurité, la maintenabilité et la sobriété.
Voir la veille et ses annexes ↗Étape 2 · Cadrer
Formaliser le besoin dans un cahier des charges fonctionnel
Le périmètre, les parties prenantes, les contraintes, les exclusions, les résultats attendus et les critères d’acceptation ont été explicités. Les anomalies sans règle métier validée ne doivent jamais être corrigées automatiquement.
Voir le cahier des charges ↗Étape 3 · Piloter et organiser
Transformer le cadrage en plan d’action
Le pilotage documente les tâches, la charge, les dépendances, les jalons, les points de contrôle et les risques. Chaque sortie est reliée à une validation et à une preuve.
Ouvrir le pilotage Notion ↗Voir la preuve documentaire ↗
Étape 4 · Expérimenter
Tester la solution dans un POC avant de l’intégrer
Le POC couvre la qualité avant jointure, la gestion des anomalies, puis les jointures et cardinalités. Chaque essai suit une logique vérifiable : hypothèse, exécution, résultat réel, limite et décision sous supervision humaine.
Voir le POC et l’expérimentation ↗Étape 5 · Implémenter
Intégrer les contrôles dans une copie du notebook P6
Les contrôles validés ont été intégrés dans une copie du notebook original : gestion des anomalies, jointures sécurisées et génération automatique d’un journal. Le P6 source est resté intact.
Voir la preuve d’implémentation ↗Étape 6 · Vérifier
Tester la fiabilité, la reproductibilité et la traçabilité
Sept tests de non-régression ont été validés. Les contrôles ont été reproduits lors de deux exécutions avec des identifiants distincts, puis les résultats avant et après amélioration ont été comparés.
Voir les tests et la comparaison ↗Étape 7 · Transmettre
Rendre le processus transmissible
La fiche de reprise et la checklist décrivent l’environnement, l’ordre d’exécution, les contrôles, les exceptions et les décisions attendues. Elles permettent à une autre personne de reprendre et d’exécuter le processus amélioré sans devoir reconstruire la démarche.
Voir la fiche de reprise ↗Accessibilité & accompagnement
Rendre les contrôles compréhensibles aux utilisateurs
La mini-formation traduit le fonctionnement des contrôles en consignes simples : comprendre un résultat, réagir à un échec et protéger les KPI sans exiger un profil technique.
Voir la mini-formation accessible ↗✦ Compétences démontrées
Au-delà du code : un processus documenté, traçable et transmissible
La solution ne se limite pas à fonctionner : elle peut être vérifiée, comprise et reprise par une autre personne.
Documentation fiable
Procédure de reprise
Environnement, règles, contrôles, exceptions, décisions et limites sont formalisés pour éviter de reconstruire la démarche.
Voir la fiche de reprise ↗IA responsable
Journaux de traçabilité
Objectif, prompt, proposition, vérification humaine ou technique, résultat du contrôle et décision finale sont tracés.
Consulter les journaux dans Notion ↗Accompagnement des équipes
Faciliter la prise en main des contrôles
Une mini-formation guide les utilisateurs pas à pas pour exécuter les contrôles, comprendre les résultats et réagir à une alerte. Le contenu est adapté à un public non technique afin de rendre le processus utilisable en autonomie.
Voir la mini-formation ↗Documentation et preuves
Dossier complet de la mission ↗Audit initial ↗Étape 1 — Veille et annexes ↗Étape 2 — Cahier des charges ↗Étape 3 — Pilotage interactif Notion ↗Étape 3 — Preuve documentaire du pilotage ↗Étape 4 — POC et expérimentation ↗Étape 5 — Implémentation dans une copie du P6 ↗Étape 6 — Tests, reproductibilité et comparaison ↗Étape 7 — Transmission du processus ↗Mini-formation P6 ↗Journaux de contrôle et d’usage IA ↗
Ces liens renvoient aux livrables et aux preuves de travail de chaque phase.
12 projets · preuves accessibles
Un éventail de contextes métier
Les projets sont présentés selon les enjeux les plus actuels : fiabilité, automatisation, pilotage, structuration des données et impact métier.
IA · Audit & gouvernance Data
Fiabiliser un pipeline Data avec l’IA
Transformer des contrôles dispersés en vérifications automatiques, reproductibles et traçables, sous contrôle humain.
7/7 tests validés · 7 735 appariements incorrects supprimés
Découvrir la démarche et les preuves →Qualité des données & Python
Fiabiliser les données d’une boutique
Contrôler les anomalies, les clés et les jointures avant le calcul des indicateurs.
Projet source amélioré dans la mission P13
Voir les livrables et preuves ↗Pilotage de projets & Power BI
Visualiser l’avancement de projets
Suivre coûts, retards et avancement avec une lecture adaptée aux différents niveaux de direction.
Tableau de bord multi-rôles · navigation DG/DR/DP
Voir les livrables et preuves ↗Analyse immobilière & SQL
Créer une base conforme et exploitable
Normaliser une base immobilière, respecter le RGPD et comparer les territoires.
31 378 appartements analysés
Voir les livrables et preuves ↗Modélisation assurance & SQL
Concevoir et requêter une base
Structurer les données pour analyser contrats, cotisations et territoires.
30 335 contrats · 12 requêtes documentées
Voir les livrables et preuves ↗Gestion commerciale
Analyser les ventes e-commerce
Expliquer l’évolution du chiffre d’affaires et améliorer la conversion.
Résultat mesuré
39 662,72 € de CA en février · 660 achats
Statistiques · Commerce
Comprendre les comportements clients
Relier performance commerciale, profils clients, catégories et prix.
CA 2022 : 6,11 M€ · croissance observée : 23,5 %
Voir les livrables et preuves ↗Machine learning · Banque
Détecter automatiquement de faux billets
Comparer plusieurs modèles de classification et retenir le meilleur compromis observé.
Random Forest : F1 99,25 % · 3 erreurs sur 300
Voir les livrables et preuves ↗Stratégie internationale & Python
Identifier des marchés prioritaires
Segmenter des pays et formuler des recommandations pour une expansion internationale.
100 pays · 15 variables · 6 profils de marchés
Voir les livrables et preuves ↗RH · Workflow
Diagnostiquer l’égalité femmes-hommes
Anonymiser, contrôler et restituer des indicateurs RH de manière reproductible.
Index construit : 82 % · score présenté : 74/90
Voir les livrables et preuves ↗Power BI · ONG
Prioriser les besoins d’accès à l’eau
Comparer les niveaux mondial, régional et national pour orienter les financements.
Accès sécurisé 2016 : 73 % · accès basique : 85 %
Voir les livrables et preuves ↗Python · Santé publique
Étudier la sous-nutrition mondiale
Analyser disponibilité alimentaire et sous-nutrition entre 2013 et 2017.
Population 2017 : 7,54 Md · disponibilité théorique : 9,3 Md
Voir les livrables et preuves ↗Hola 😊 ! Un projet Data ou une question ?
C’est avec grand plaisir que nous pouvons échanger. Je suis là pour vous aider à clarifier vos données et à prendre de meilleures décisions.