← Retour à l'accueil

Projets data analysis et statistiques

Exploration, statistiques descriptives, tests d'hypothèses, A/B testing et analyse textuelle

A/B testing : optimisation d'une landing page

Problématique marketing : Quelle version d'une page d'atterrissage (ancienne ou nouvelle) convertit le mieux les visiteurs ?

Objectif : Comparer deux versions lors d'une expérimentation contrôlée et décider s'il faut déployer la nouvelle page.

Python Pandas Statsmodels Matplotlib / Seaborn A/B Testing Dataset (Kaggle)

Méthode

  • Nettoyage de 294 478 lignes de trafic web : 3 893 lignes incohérentes retirées (groupe ne correspondant pas à la page affichée), soit 290 585 utilisateurs conservés.
  • Calcul du taux de conversion de chaque groupe.
  • Z-test des proportions pour vérifier si l'écart est statistiquement significatif.
Voir le notebook Colab

Résultats et recommandation

  • Ancienne page : 12,04 % de conversion (17 489 sur 145 274).
  • Nouvelle page : 11,88 % de conversion (17 264 sur 145 311).
  • Z-test : z = 1,31 et p-value = 0,1897, supérieure au seuil de 0,05. La différence n'est pas significative.
  • Recommandation : ne pas déployer la nouvelle page et tester une autre variante.

Rétention et cohortes d'une application mobile (données simulées)

Problématique métier : Une application mobile perd la majorité de ses utilisateurs peu après l'installation. Comment mesurer cette perte, la suivre par cohorte et repérer les profils d'utilisateurs ?

Objectif : Construire un générateur de données d'événements, puis appliquer une analyse de cohortes, une courbe de survie de Kaplan-Meier et une segmentation comportementale. Précision : les données sont entièrement simulées, ce projet démontre une méthode et non un résultat métier.

Python Pandas lifelines (Kaplan-Meier) Seaborn / Matplotlib Données simulées

Méthode

  • Générateur Python : 100 000 utilisateurs, 4 sources d'acquisition (Organic, Paid Ads, Social Media, Referral) et installations réparties sur 90 jours.
  • 272 672 événements simulés (installations, sessions et achats) selon 3 profils de rétention.
  • Matrice de rétention par cohorte d'installation, courbe de survie globale (Kaplan-Meier) et segmentation comportementale.
Voir le notebook

Résultats et limites

  • 3 segments : utilisateurs inactifs après l'installation (60 %), occasionnels (27 %) et intensifs (13 %).
  • La répartition des segments est quasi identique selon la source (59 à 60 % d'inactifs). C'est attendu : la source est tirée au hasard dans le simulateur.
  • Sur des données réelles, cette comparaison orienterait le budget d'acquisition.

Facteurs influençant les performances commerciales

Problématique métier : Une entreprise souhaite comprendre les liens entre ses catégories de produits, ses régions et sa rentabilité pour optimiser sa stratégie commerciale.

Objectif : Analyser les relations entre variables (quali-quali, quali-quanti, quanti-quanti) pour repérer les leviers de performance.

Python Pandas Seaborn / Matplotlib Analyse bivariée Superstore Dataset

Méthode

  • Analyse de 9 994 lignes de commandes.
  • Nuage de points ventes / profit par catégorie et heatmap des corrélations.
  • Profit moyen par région et tableau croisé région × catégorie.
Voir le notebook Colab

Résultats et recommandation

  • Les fournitures de bureau représentent le plus gros volume de commandes dans les 4 régions.
  • Ouest : premier volume (3 203 commandes) et profit moyen le plus élevé (33,85 $ par ligne).
  • Sud : volume le plus faible (1 620 commandes). Centre : rentabilité la plus faible (17,09 $ par ligne).
  • Recommandation : relancer l'acquisition dans le Sud et analyser la faible rentabilité du Centre.

Engagement des employés et détection d'outliers

Problématique métier : Une entreprise souhaite repérer les salariés dont le niveau d'engagement est anormalement bas afin d'agir avant qu'ils ne décrochent.

Objectif : Étudier la distribution des scores d'engagement et isoler les valeurs aberrantes.

Python Pandas Statistiques descriptives HR Dataset (Kaggle)

Méthode

  • Base de 311 employés et score d'engagement issu d'une enquête (sur 5).
  • Statistiques descriptives : moyenne 4,11, médiane 4,28, écart-type 0,79.
  • Histogramme, boxplot et règle de l'écart interquartile (1,5 × IQR) pour détecter les outliers.
Voir le notebook Colab

Résultats et recommandation

  • La moitié des employés a un score entre 3,69 et 4,70.
  • 9 outliers détectés (environ 3 % des employés), tous en dessous de la limite basse de 2,175, avec un minimum à 1,12.
  • Ces 9 profils ont aussi une performance faible : 6 sont en plan d'amélioration (PIP) et 3 sont notés « Needs Improvement ».
  • Recommandation : croiser ces profils avec leur département et leur manager pour savoir si le désengagement est isolé ou concentré.

Tests statistiques et écarts entre départements

Problématique métier : Les écarts de satisfaction et de performance observés entre départements sont-ils réels ou dus au hasard ?

Objectif : Valider ou écarter les différences observées avec des tests statistiques adaptés.

Python (SciPy) Tests d'hypothèses Khi-deux / Kruskal-Wallis Employee Performance (Kaggle)

Tests réalisés

  • Normalité : Shapiro-Wilk. La performance ne suit pas une loi normale, d'où le choix d'un test non paramétrique.
  • Satisfaction × département : khi-deux et V de Cramér.
  • Performance par département : test de Levene, puis Kruskal-Wallis.
  • Heures hebdomadaires × performance : corrélation de Spearman.
Voir le notebook Colab

Résultats et recommandation

  • Base de 100 000 employés.
  • Satisfaction et département : p = 0,475 et V de Cramér = 0,063 (lien négligeable).
  • Performance entre départements : Kruskal-Wallis p = 0,468, aucun écart significatif.
  • Heures travaillées et performance : Spearman ρ = −0,006 et p = 0,075, aucune relation significative.
  • Recommandation : le département n'explique ni la satisfaction ni la performance. Chercher d'autres facteurs (poste, manager, ancienneté).

Profil des vins et réduction de dimensionnalité (ACP)

Problématique métier : Identifier ce qui différencie les vins pour personnaliser les recommandations clients.

Objectif : Résumer 11 variables physico-chimiques en quelques axes lisibles et visualiser la structure des données.

Python Scikit-Learn ACP (PCA) Wine Quality Dataset (UCI)

Méthode

  • 1 599 vins rouges décrits par 11 variables.
  • Standardisation des données, puis ACP.
  • Visualisations 2D et 3D colorées par note de qualité, et heatmap des poids de chaque variable.
Voir le notebook Colab

Résultats et recommandation

  • 2 axes conservent 45,7 % de l'information, 3 axes en conservent 59,8 %.
  • Axe 1 : l'acidité (acidité fixe, acide citrique, pH), qui oppose des vins vifs et structurés à des vins plus ronds.
  • Axe 2 : le dioxyde de soufre (sulfites).
  • Recommandation : segmenter les clients selon leur goût pour l'acidité et repérer les vins pauvres en sulfites pour la clientèle « nature ».

Analyse textuelle et NLP (corpus médias sur le Soudan)

Problématique : Quels thèmes structurent le discours de la presse sur la guerre au Soudan ?

Objectif : Extraire automatiquement les mots dominants, les cooccurrences et les thématiques d'un corpus de presse avec le logiciel Iramuteq.

Iramuteq NLP et text mining Statistique textuelle Analyse de similitude

Graphique de similitude

  • Les mots les plus liés forment des groupes distincts.
  • Crise humanitaire : Soudan, humanitaire, famine, ONU, aide, journaliste.
  • Conflit armé : FSR, Darfour, Khartoum, milice, attaque, combattants, violences sexuelles.
  • Guerre et crimes : guerre, crime, violation, droit, civil.
Graphique de similitude Iramuteq Agrandir le graphique

Nuage de mots

  • Les termes les plus fréquents sont « Soudan », « guerre », « FSR », « Darfour », « humanitaire » et « conflit ».
  • Le vocabulaire met l'accent sur les acteurs armés et sur les conséquences pour les civils.
Nuage de mots Iramuteq Agrandir le nuage de mots