Karim Ilyas - Data Analyst en Devenir

Data Analyst au SIG du Grand Avignon

• Objectif : Développer des outils interactifs pour gérer les données géographiques.
• Contexte : Stage au SIG du Grand Avignon (avril-juillet 2025).
• Tâches : Conception d’applications avec QGIS, GeoSoftware, SQL, et FME.
• Résultats : Outils interactifs pour la planification urbaine, présentés aux 16 communes.
• Outils : QGIS, GeoSoftware, SQL, FME.

Ce stage m’a permis de développer des applications interactives pour le Grand Avignon, en utilisant QGIS et SQL pour gérer des données géographiques. Présenter mes résultats aux communes m’a appris à communiquer efficacement avec des décideurs.

Analyse Multivariée

• Objectif : Explorer les relations entre variables socio-économiques.
• Analyse : ACP ,AFC et ACM avec R et SAS.
• Visualisation : Biplots et scree plots avec `ggplot2`.
• Résultats : Identification de corrélations significatives.
• Outils : R et SAS.

J’ai utilisé R et SAS pour analyser des données complexes, produisant des visualisations claires et un rapport structuré en LaTeX, renforçant mes compétences en statistique avancée.

Enquête à Orly

• Objectif : Identifier les points faibles de l’expérience client à l’aéroport d’Orly pour proposer des améliorations concrètes.
• Méthodologie : Création d’un questionnaire Google Forms avec des questions sur le confort, la mobilité et la courtoisie du personnel.
• Collecte de données : Distribution auprès d’un échantillon de voyageurs (100 réponses collectées).
• Analyse : Importation des données dans RStudio, nettoyage des réponses (suppression des valeurs manquantes), et calculs statistiques (moyennes, écarts-types).
• Visualisation : Génération de graphiques comme des histogrammes pour les temps d’attente et des diagrammes en barres pour la satisfaction.
• Résultats : Mise en évidence de temps d’attente excessifs (moyenne de 25 min) et d’un manque de signalisation claire (60 % des répondants).
• Recommandations : Formation du personnel à la gestion des flux, ajout de panneaux informatifs, et investissement dans des bornes numériques.
• Outils utilisés : Google Forms, RStudio (packages `dplyr`, `ggplot2`), Excel pour prétraitement.

Présentation d’un Territoire (Rennes)

• Objectif : Produire un rapport en anglais sur le patrimoine culturel, historique et socio-économique de Rennes.
• Recherche documentaire : Consultation d’archives municipales, d’études historiques et de publications académiques.
• Données collectées : Statistiques INSEE sur la démographie (population, âge moyen), l’économie (PIB, emploi) et l’éducation.
• Analyse : Traitement des données dans RStudio pour calculer des indicateurs comme la croissance démographique (+2 %/an).
• Visualisation : Création de courbes temporelles ,Pie plots et Bar plots .
• Rapport : Rédaction en anglais avec introduction, méthodologie, résultats et recommandations (ex. transports écologiques).
• Collaboration : Travail en équipe pour intégrer les feedbacks et finaliser le document.
• Outils utilisés : RStudio (`tidyr`, `ggplot2`), INSEE, Word pour la mise en page.

Ce projet m’a plongé dans une exploration fascinante de Rennes, une ville que je ne connaissais pas bien au départ. Fouiller dans les archives m’a donné une appréciation pour le contexte historique, tandis que les données INSEE m’ont offert une vue quantitative précise. Les visualisations dans RStudio – comme une courbe montrant une croissance démographique stable – ont été un défi technique, car il fallait gérer des données sur plusieurs décennies. Rédiger en anglais m’a poussé à structurer mes idées clairement pour un public international, et les recommandations (ex. tramways écologiques) ont nécessité une réflexion sur l’impact à long terme. Ce travail m’a appris à combiner rigueur scientifique et communication efficace.

Données Gouvernementales

• Objectif : Développer une interface interactive pour explorer des données gouvernementales à partir d’un fichier CSV.
• Préparation : Importation de `oc_accounts.csv` et préparation des données pour une analyse interactive.
• Structure : Données structurées avec une colonne `user` (texte) contenant des identifiants, enrichies par des métadonnées.
• Programmation : Utilisation de R et de Shiny pour créer une application interactive.
• Visualisation : Graphiques interactifs développés avec Shiny et `ggplot2`.
• Résultats : Interface déployée sur shinyapps.io, offrant une exploration intuitive pour des utilisateurs non techniques.
• Outils utilisés : R (`shiny`, `ggplot2`).

Ce projet m’a révélé la puissance des interfaces interactives pour rendre les données accessibles. Après avoir récemment appris à utiliser Shiny, j’ai créé une application qui transforme un fichier CSV brut en visualisations dynamiques, comme des graphiques filtrables par domaine email. Ce processus m’a permis de renforcer mes compétences en R et de découvrir l’importance de penser à l’expérience utilisateur, une compétence essentielle pour les projets de data science appliquée.

Faits de Criminalité

• Objectif : Étudier les corrélations entre criminalité, logement et démographie.
• Données : Extraction de statistiques INSEE sur les crimes, loyers et population.
• Structure : Création d’un schéma relationnel en SQL avec tables liées (crimes, logements).
• Analyse : Calculs descriptifs dans R (moyennes, variances), corrélations (ex. loyers vs taux de crimes).
• Visualisation : Séries temporelles (évolution 1948-2020), diagrammes en boîte (variations régionales).
• Rapport : Génération automatisée avec RMarkdown, incluant graphiques et interprétations.
• Résultats : Mise en évidence de l’impact des lois de 1948 sur les loyers et de la crise de 2008.
• Outils utilisés : SQL, R (`dplyr`, `ggplot2`), RMarkdown, INSEE.

Analyser les faits de criminalité m’a plongé dans des données sociales riches et complexes. Structurer un schéma relationnel en SQL m’a appris à organiser des informations interconnectées, tandis que les analyses dans R ont révélé des tendances fascinantes – comme une hausse des crimes dans les zones à loyers élevés post-2008. Les séries temporelles ont été un défi visuel, mais elles ont clairement montré l’impact des politiques historiques. Ce projet m’a appris à contextualiser les données dans un cadre socio-économique et à produire des rapports qui parlent aux décideurs, une compétence que je veux approfondir.

Prix des Voitures en Fonction de la Puissance

• Objectif : Étudier la relation entre la puissance des voitures (en chevaux) et leur prix sur le marché.
• Données : Collecte d’un dataset sur les voitures d’occasion (marque, modèle, puissance, prix) via des sites comme Leboncoin.
• Préparation : Nettoyage dans Excel (suppression des doublons, normalisation des unités).
• Analyse : Régressions dans R pour évaluer l’impact de la puissance sur le prix, corrélations entre variables.
• Visualisation : Nuages de points (puissance vs prix), diagrammes en barres (prix moyen par tranche de puissance).
• Résultats : Forte corrélation positive (r=0.85) entre puissance et prix, avec des exceptions pour les modèles économiques.
• Recommandations : Conseils pour les acheteurs (ex. privilégier des modèles de 100-150 ch pour un bon rapport qualité-prix).
• Outils utilisés : Excel, html, css , js

Ce projet m’a passionné car il touchait à mon intérêt pour l’automobile. Collecter des données sur des sites comme Leboncoin m’a demandé de trier des annonces souvent incomplètes, un défi de patience. L’analyse dans R m’a révélé une logique limpide : plus de chevaux, plus de coûts, mais des marques comme Dacia défiaient cette règle. Les nuages de points ont été fascinants à créer – chaque point racontait l’histoire d’une voiture. Publier sur RPubs m’a appris à rendre mes analyses accessibles au public, une étape qui m’a motivé à peaufiner mes compétences en visualisation.

Voir Plus

Explorez l’ensemble de mes travaux académiques et professionnels dans mon portfolio PDF.