Tuka Bade

Contexte :

Recruté en création de poste, seul praticien data au sein de l'entreprise, sans infrastructure analytique existante. Rattachement direct au DAF. La direction ne disposait d'aucune vision fiable et automatisée du chiffre d'affaire réel, jusqu'alors reconstruit manuellement à partir de SAP. L'objectif a été de bâtir un pipeline de données et une application de restitution from scratch, sans middleware BI existant.

Contexte :

La documentation technique (notices, manuels) est rédigée et maintenue au format FrameMaker (.mif), puis traduite manuellement via Trados Studio. Le volume de documents et de langues cibles rend ce processus long et difficilement scalable. L'objectif a été d'évaluer la faisabilité d'un pipeline automatisé de traduction s'appuyant sur un LLM, tout en conservant la structure et le formatage du document source.

Contexte :

L'entreprise ne disposait d'aucun CRM pour structurer le suivi de sa relation client. Dans une logique de maîtrise des coûts et d'indépendance technique, l'arbitrage s'est porté sur l'évaluation d'une solution open-source self-hosted plutôt qu'une solution SaaS propriétaire, avant toute décision d'investissement.

Projet : Création d'un outil d'analyse de tests sensoriels consommateurs pour des produits parfumés.

Les équipes produit d'IFF testent régulièrement des parfums auprès de panels consommateurs (France, USA)

afin d'évaluer leur réception : préférence, intensité perçue, profils olfactifs et d'attributs. Ces données étaient

jusqu'alors exploitées de façon non structurée. L'objectif a été de construire un outil permettant aux équipes

métier d'analyser ces résultats de façon autonome et de comparer les produits testés entre eux.

- Construction du modèle de données à partir de fichiers Excel multi-pays (panels consommateurs France/

USA), fusion en un dataset unique

- Définition et implémentation des indicateurs métier : scores TOP2BOX/TOP1BOX, analyse JAR (Just About

Right) par seuils d'intensité, agrégation de territoires d'attributs et de descripteurs olfactifs

- Analyse de corrélation (Spearman) entre les attributs sensoriels et le score de préférence (Liking), puis

entraînement d'un RandomForest Regressor pour en déduire l'importance des variables explicatives

- Développement d'une application Streamlit avec trois vues de comparaison : produit vs. référence fixe,

produit vs. produit choisi par l'utilisateur, comparaison inter-pays

- Implémentation des filtres d'analyse (produit, genre, tranche d'âge, type de visualisation)

- Mise en place de l'authentification utilisateurs (gestion des accès par rôle)

- Restitution des analyses aux équipes produit

Enseignant en Data Science chez Albert School (campus Paris), niveaux Bachelor et Master.

Six cours dispensés cette année : Programming in Python (incl. OS & VM) et Pandas 1 en Bachelor 1 (S1), Graph Theory et Algorithms & OOP en Bachelor 1 (S2), Applied Machine Learning for Business en Bachelor 3 (S2), et Supervised Learning en Master 1 (S1).

Ma pédagogie couvre l'ensemble de la chaîne, de la programmation Python et de la manipulation de données avec Pandas, jusqu'au machine learning appliqué et à l'apprentissage supervisé au niveau Master, en passant par les algorithmes, la programmation orientée objet et la théorie des graphes. J'insiste sur la mise en pratique directe : les étudiants doivent produire des résultats exploitables, pas seulement réciter des concepts.