Visualisation
Dashboards interactifs & Data Storytelling
Des visualisations qui transforment les données complexes en insights actionnables.
Dashboards en Production
Marketing Mix Modeling Dashboard
Framework : Shiny (R)
Dashboard interactif pour visualiser les résultats du Marketing Mix Modeling et simuler des scénarios d’allocation budgétaire.
Fonctionnalités :
- Décomposition des ventes par canal
- Courbes de réponse et saturation
- Simulateur de budget
- Comparaison ROI par canal
Voir le Dashboard
Marketing Analytics Dashboard
Framework : Streamlit (Python)
Dashboard de suivi des KPIs marketing multi-canaux avec données temps réel depuis BigQuery.
Fonctionnalités :
- KPIs globaux (Spend, Revenue, ROAS)
- Tendances temporelles
- Performance par canal
- Funnel de conversion
Voir le Dashboard
Clickstream Analytics (Local)
Framework : Streamlit + Plotly
Dashboard temps réel pour l’analyse comportementale e-commerce avec données streaming.
Fonctionnalités :
- Métriques temps réel
- Funnel interactif
- Top produits
- Auto-refresh configurable
Disponible en local avec Docker
Voir le projet →
Technologies de Visualisation
Streamlit
Framework Python pour créer rapidement des applications data interactives.
Utilisé dans :
- Causal Inference
- Marketing Pipeline
- Clickstream Analytics
Shiny
Framework R (et Python) pour des dashboards statistiques avancés.
Utilisé dans :
- MMM Robyn
- Penguin Explorer
Plotly
Bibliothèque de graphiques interactifs pour Python et R.
Types de graphiques :
- Scatter plots
- Time series
- Funnel charts
- Heatmaps
Quarto
Système de publication scientifique pour créer des rapports et sites web.
Utilisé pour :
- Ce site portfolio
- Documentation projets
- Rapports d’analyse
Types de Visualisations
Analyse Marketing
-
Décomposition des ventes : Waterfall charts montrant la contribution de chaque canal
-
Courbes de réponse : Visualisation des rendements décroissants
-
Heatmaps budget : Matrice d’allocation optimale
Time Series
-
Tendances : Évolution des KPIs dans le temps
-
Saisonnalité : Patterns hebdomadaires/annuels
-
Anomalies : Détection visuelle des outliers
Machine Learning
-
SHAP plots : Importance des variables et explications locales
-
Distributions postérieures : Visualisation de l’incertitude Bayésienne
-
Funnel de conversion : Sankey diagrams pour les parcours utilisateurs
Statistiques Bayésiennes
-
Trace plots : Convergence MCMC
-
Forest plots : Intervalles de crédibilité
-
Posterior predictive checks : Validation du modèle
Principes de Design
Mes visualisations suivent ces principes :
-
Clarté : Un graphique = un message
-
Contexte : Toujours montrer les comparaisons pertinentes
-
Interactivité : Permettre l’exploration sans surcharger
-
Accessibilité : Palettes de couleurs adaptées
-
Reproductibilité : Code disponible pour chaque visualisation
← Retour au Portfolio | Voir les projets Analysis →