Avant de faire confiance à un chiffre, je regarde ce qu’il cache : c’est souvent là que se trouve la vraie réponse. Python, SQL, Power BI et Tableau sont mes outils pour la trouver.
Trouver l’histoire derrière les chiffres
Comparer quatre modèles de machine learning pour distinguer les vrais billets en euros des faux à partir de leur seule géométrie, puis livrer le meilleur sous forme de script prêt à l’emploi.
Lire l’étude de cas →
Un dashboard Tableau de trois pages qui mène un investisseur du marché mondial jusqu’à un quartier précis, construit sur 478 000 annonces nettoyées dans 16 pays.
Lire l’étude de cas →
Une étude de marchés internationaux sur 164 pays : 15 indicateurs PESTEL, une analyse en composantes principales et un clustering pour bâtir, à partir de données publiques, une feuille de route export en trois étapes.
Lire l’étude de cas →L’IA nous rend peut-être meilleurs pour évaluer les idées, tout en nous rendant moins à l’aise pour les créer à partir de rien. Quelques questions sur le passage de créateur à éditeur.
Lire la note →J’ai fait auditer la même analyse par deux modèles d’IA, en ne changeant que la façon dont le prompt présentait le travail. Ils avaient 32 % de constats en commun. Pourquoi la question décide de la réponse.
Lire la note →