Issa diatta

Hello, moi c'est Issa, je suis passionné par la transformation des données en informations stratégiques.
Titulaire d'un premier Master en Economie numérique à l'université de Montpellier et d'un second en Intelligence des Données à l'IAE de Grenoble, je suis compétent en Power BI, SQL Python et Excel.
J'ai deux stages à mon actif, le premier en qualité de Data analyst chez Fnac -Darty et le second en qualité de Consultant BI chez Orange Business. Je donne aussi des formations en Power BI.
Je suis sympathique, adaptable et j'ai un grand désir d'apprendre
Ce portfolio comporte 4 projets : 3 en Power BI (RH, RSE et transport urbain) et 1 en SQL (base de données Sakila).
Me contacter :
[email protected]
062001623
https://www.linkedin.com/in/issa-diatta/

• Vous pouvez explorer les tableaux de bord Power BI présentés ci-dessous en image dans ce portfolio ainsi qu'un de mes projets Python en cliquant ici : assurez-vous d'avoir Power BI Desktop installé sur votre PC puis téléchargez les fichiers pbix

Projet d'Analyse des Formations des Employés avec Power bi

La problématique que je devais résoudre est la suivante :Vous êtes embauché dans une entreprise en tant que HR Data Analyst.
Le DRH fait du développement des compétences des employés sa priorité numéro un.
Il est donc très regardant sur les questions de formations.
Il se pose notamment les questions suivantes:
-Les employés bénéficient-ils chaque année de suffisamment d'heures de formation?
-Les cabinets choisis pour animer les formations sont-ils vraiment qualifiés?
-Combien l'entreprise investit-elle en moyenne dans la formation d'un employé?
-Dans quels modules est alloué le budget de formation?Pour obtenir le résultat final (voir tableau de bord ci-dessous) permettant de répondre aux questions du DRH et de prendre de meilleures décisions, après importation des données, j'ai effectué quelques transformations avec Power Query pour rendre les données exploitables, puis j'ai développé des mesures DAX (Voir ci-dessous quelques exemples) complexes pour créer des visualisations pertinentes. J'ai aussi utilisé les bonnes pratiques pour optimiser la taille du modèle sémantique pour de meilleures performances.

Analyses et recommandations :
1. Volume d'heures de formation par employé
Le temps moyen de formation est de 11,8 heures, légèrement au-dessus de la cible (11 heures), ce qui est positif.2. Qualité des cabinets de formation
L’évaluation des formateurs est globalement bonne, avec des notes comprises entre 4,01 et 4,27.
Les trois cabinets les mieux notés sont :
Skills & ReSkills (4,27)
Longlife Training (4,21)
Amaiza People Development (4,14)
Recommandation : Continuer à collaborer avec ces cabinets bien notés. Évaluer ceux ayant des notes plus basses et envisager d’en tester d’autres si nécessaire.3. Investissement moyen par employé
L’investissement moyen en formation est de 149K supérieur à la cible qui est de 140K.
Recommandation : Évaluer si cette augmentation a un impact positif sur la performance des employés (ex. via des KPI de productivité, etc.). Si oui, maintenir cet effort d’investissement.

Analyse de la validation et de la fraude sur un réseau de transport urbain – Projet Power BI

Contexte
Ce projet simule l'analyse de données d’un réseau de bus et trolleybus dans l'agglomération lyonnaise , dans l’objectif de :Identifier les lignes à fort risque de fraude,Améliorer le taux de validation des titres de transport,Garantir la qualité des données utilisées pour les décisions.Objectifs
Suivre les performances de validation par ligne, jour, heure.Détecter les zones et horaires critiques via heatmaps.Proposer des actions correctives aux équipes opérationnelles.Technologies utilisées
Power BI (modèle étoile, DAX, visualisations)Excel (sources simulées)Power Query (nettoyage des données)DAX (calculs du taux de validation, taux de fraude, règles qualité)Avant toute visualisation, j'ai d'abord effectué un contrôle de la qualité des données.
Ci-dessous un aperçu des tableaux de bord interactifs que j'ai développé :

1. Analyse du tableau de bord – Lutte contre la fraude
Constats:
Taux de fraude global : 12 % → supérieur à un seuil acceptable (souvent 5 à 8 % dans les réseaux urbains).Lignes les plus fraudées : lignes 70, 38, C13, C1 autour de 12 %.Heures critiques : entre 7h et 10h, puis 16h à 20h.Jours critiques : mardi, mercredi et vendredi montrent des pics (22–24 %).Recommandations :
Renforcer les contrôles ciblés sur les plages horaires 7h–10h et 16h–20h.Prioriser les lignes 70, C13, 38 dans les plans de contrôle.Programmer des équipes mobiles renforcées en début et fin de semaine.Corréler la fraude avec la fréquentation pour ajuster les effectifs contrôleurs.2. Analyse du tableau de bord – Taux de validation
Constats :
Taux global de validation : 85 % → plutôt bon, mais perfectible.Points d’arrêt les plus performants : Saxe-Gambetta (86 %), Vaise (85 %), La Soie (85 %).Légère baisse de validation sur les mois d’été (juillet-août).Recommandations
Maintenir la bonne dynamique sur les arrêts à 85 %+ avec des rappels doux (affichage, présence humaine).

Tableau de Bord ESG – Pilotage RSE multisite avec Power BI

Objectif : Créer un outil de pilotage ESG clair et interactif pour une entreprise multisites.Outils utilisés :
Python (génération des données) • Power BI & DAX (modélisation-visualisation)
Méthodologie :Simulation de données réalistes pour l'année 2024 (émissions CO2, formation RSE, parité, fournisseurs certifiés ISO)Création de fichiers Excel séparés par thème pour simuler un environnement multisiteModèle Power BI filtrable par site, avec calculs DAX pour les indicateurs clésDesign visuel professionnel (codes couleurs harmonisés, KPIs clairs)Résultat : voir Tableau de bord ci-dessous

Interrogation de la base de données sakila a l'aide de MYSQL

En tant qu'aspirant Data analyst/Consultant BI, avoir des compétences poussées en SQL est devenu indispensable.
L'objectif principal de ce projet est de réaliser diverses analyses sur les données de Sakila pour répondre à des questions métiers spécifiques. Ces questions sont choisies pour refléter des scénarios réalistes que pourrait rencontrer un data analyst dans un contexte commercial. L'accent est mis sur la compréhension des tendances de location de films, le comportement des clients, la performance des employés, et la gestion des stocks.
En plus des fonctions et clauses utilisées dans ce projet, je suis compétent dans la création et la mise à jour de bases de données et tables, dans la création de procédures stockées ainsi que dans l'optimisation de requêtes.