Initialement diplômé en droit privé puis en marketing/communication stratégique, j'ai complété mon parcours par une formation certifiée Data Analyst (Liora, co-certifié École des Mines) pour combiner sensibilité business et maîtrise de la donnée.
Habitué à évoluer dans des environnements variés je m'appuie sur une capacité d'analyse développée au fil de mes expériences pour transformer des données brutes en insights actionnables.
Data Analyst junior, je transforme des données brutes en insights business actionnables.
| Outil | Niveau |
|---|---|
| Python (pandas, numpy, matplotlib, seaborn) | ✅ Opérationnel |
| SQL · SQL avancé (CTEs, fonctions fenêtres) | ✅ Opérationnel |
| Machine Learning (bases) | ✅ Opérationnel |
| Outil | Niveau |
|---|---|
| Power BI (Power Query, DAX, modélisation en étoile) | ✅ Opérationnel |
| Excel (TCD, formules avancées) | ✅ Opérationnel |
| Data storytelling & KPI reporting | ✅ Opérationnel |
| Outil | Niveau |
|---|---|
| Analyse statistique exploratoire (EDA) | ✅ Opérationnel |
| Nettoyage & préparation de données | ✅ Opérationnel |
| Modélisation (modèle en étoile, ETL) | ✅ Opérationnel |
| Outil | Usage |
|---|---|
| Slack | Outil de productivité |
| Notion | Outil de productivité |
| Microsoft 365 | Suite bureautique |
| Canva | Supports de présentation |
Analyse des interventions de la Brigade des Pompiers de Londres — optimisation des temps de réponse et répartition géographique des incidents
- Problématique : quels facteurs influencent les temps de réponse, et quelles zones concentrent le plus d'incidents ?
- Stack : Python (preprocessing & data quality) → Power BI (rapport interactif)
- Insight clé : identification des zones géographiques à forte densité d'incidents et des casernes sous-performantes sur les délais d'intervention
- Livrables : script Python commenté, rapport Power BI interactif, documentation complète
- Projet fil rouge de formation — dataset public
Données :
https://data.london.gov.uk/dataset/london-fire-brigade-incident-records
https://data.london.gov.uk/dataset/london-fire-brigade-mobilisation-records
Analyse des ventes d'une chaîne retail américaine — identification des leviers de rentabilité
- Problématique : quels produits, régions et comportements de remise impactent la marge ?
- Stack : Python (preprocessing & data quality) → Power BI (5 pages de rapport)
- Insight clé : les remises > 20% génèrent des pertes systématiques sur la catégorie Furniture
- Livrables : script Python commenté, rapport Power BI interactif, documentation complète
- Dataset : Kaggle — Sample Superstore
projet/
├── README.md ← contexte, démarche, insights
├── notebook/ ← script Python annoté (preprocessing)
├── exports/ ← CSV nettoyés prêts pour Power BI
└── screenshots/ ← captures du rapport Power BI
Je recherche un poste de Data Analyst ou de Business Analyst.
N'hésites pas à me contacter : arnaudhoupertpro@gmail.com | https://www.linkedin.com/in/arnaud-houpert/