🚲 Observatoire des flux vélo – Montpellier – MVP

🎯 Objectif :
Cette interface permet d’analyser les tendances de fréquentation des pistes cyclables à Montpellier à partir des données des compteurs vélo. Elle propose des visualisations interactives des flux par jour, heure et saison, des outils de comparaison et d’analyse contextuelle (week-end, vacances, jours fériés), ainsi qu’une cartographie interactive avec points d’intérêt. L’application fournit également des prévisions de passages pour anticiper l’évolution de la fréquentation, des suggestions de compteurs voisins similaires, et des projections mensuelles avec un indice de fréquentation normalisé.

🔍 Données utilisées :
• Open Data Montpellier (Compteurs 3M, Quartiers, Sous-Quartiers) • Vacances scolaires Zone C

🧠 Tech Stack :
• Python • Pandas • Prétraitement & nettoyage de données • Streamlit • Plotly • GeoJSON/JSON/CSV • Leaflet (cartographie interactive) • Requests API & BeautifulSoup • Statsmodels (SARIMA) • Babel (localisation FR) • GitHub • Render • PostgreSQL (via Supabase pour les logs visiteurs) • GitHub Actions

💡 Insight clé :
Plus de 8,4 millions de passages vélo enregistrés en 2024 à Montpellier — une croissance qui semble désormais entrer dans une phase de stabilisation.

🔗 Lien vers l’application : Ouvrir sur Render →

🛡️ Sécurité & Faits divers – MVP

🎯 Objectif :
Analyser les corrélations entre les faits divers, la présence des caméras de vidéosurveillance, les effectifs de la police municipale et la répartition par quartier. Identifier les dynamiques locales de sécurité et suivre leur évolution, en particulier à l’approche des prochaines élections municipales.

🔍 Données utilisées :
Articles de presse et médias locaux (faits divers, 2020–2025), Open data Ville de Montpellier (caméras, effectifs de police, population, équipements urbains), Base d’adresses postales pour géolocalisation et analyses spatiales.

🧠 Tech Stack :
• Python • Pandas • GeoPandas • Data Engineering • Streamlit • Visualisation interactive • Classification et clustering • Webscraping • Déploiement via Render

💡 Insight clé :
En moyenne, 0,49 caméras de vidéosurveillance pour 1 000 habitants, et plus de 500 faits divers recensés entre 2020 et 2025 principalement autour de 3 quartiers — des écarts notables entre quartiers.

🔗 Lien vers l’application : Ouvrir sur Render →

💶 Subventions aux associations

🎯 Objectif :
Exploration des données publiques sur les aides et subventions municipales aux associations de Montpellier. Assurer la transparence et suivre les priorités budgétaires locales.Visualiser l’évolution des financements par type d’association pour mieux comprendre la répartition des subventions et faciliter la transparence.

🔍 Données utilisées :
• Open Data Montpellier

🧠 Tech Stack :
Python • Pandas • Streamlit • Render • Nettoyage et retraitement des données

💡 Insight clé :
60% du montant total des subventions bénéficient à 10% des structures. La qualité des données saisies est médiocre.

🔗 Lien vers l’application : Ouvrir sur Render →

📊 Comptes publics Montpellier & Métropole – POC

🎯 Objectif :
Extraction, nettoyage, enrichissement et analyse des budgets publics de la Ville de Montpellier et de la Métropole à partir de rapports Excel et PDF. Simplifier la lecture financière pour les citoyens, visualiser la répartition des subventions, anticiper les tendances budgétaires et modéliser l’impact d’un nouveau programme ou dispositif financier.

🔍 Données utilisées :
• Open Data Montpellier • Tableurs Excel consolidés • Rapports financiers PDF pour enrichissement et vérification

🧠 Tech Stack :
Python • Pandas & NumPy • SciPy • Matplotlib • Workflow Data (nettoyage automatisé, enrichissement, agrégation) • OpenPyXL • Streamlit • Render

💡 Insight clé :
Dette maitrisé, augmentation des 6 budgets de la ville, risque de gouvernance sur la prochaine période municipale 2026 – 2031

🔗 Lien vers l’application : Ouvrir sur Render → (prévu Dec.25)
🔗 Lien vers rapport en ligne : Ouvrir sur Navigateur →

🌿 Qualité de l’air et données environnementales – POC à venir
Analyse des données open data sur la pollution et la météo pour mieux comprendre les zones sensibles.

🌊 Surf & Paddle à Palavas – MVP

🎯 Objectif :
À Palavas-les-Flots (et plus généralement en Méditerranée), il est rare de difficiles pour les passionnés de trouver les conditions idéales pour pratiquer le surf ou le paddle (houle courte et irrégulière, vents variables, orientation du spot impactant la qualité des vagues). Cette application mesure et analyse les conditions optimales en croisant météo, houle et vent, et applique un scoring météo pour identifier les rares fenêtres parfaites, valoriser les activités nautiques locales et renforcer l’attractivité touristique du littoral. Conditions en temps réel toute les 30 minutes du jour et en prévision sur la semaine.

🔍 Données utilisées :
OpenMeteo API(prévisions maritimes et météorologiques) Données locales (bouées relevés spots) Données dérivées (puissance et étalement de la houle, orientation offshore/onshore)

🧠 Tech Stack :
• Python, • Pandas • Requests API & BeautifulSoup • Données compilées et retraitées • Webcams intégrées pour affiner les prévisions • Algorithmes de scoring • Streamlit, • Render

💡 Insight clé :
“Trouver le meilleur créneau avec les notifications intelligentes sur le groupe privé Telegram.”

🔗 Lien vers l’application : Ouvrir sur Render →

⚡ Prévision de la consommation énergétique – POC
Modèle prédictif de consommation selon la météo et les habitudes de consommation.

🌞 Optimisation de la production solaire – POC à venir
Corrélation entre données météo et production photovoltaïque pour anticiper les performances.

👥 Analyse de satisfaction collaborateurs – POC à venir
Exploitation des feedbacks RH via NLP pour détecter les leviers d’engagement.

🛒 Analyse de ventes et segmentation client – POC
Clustering et visualisation des comportements d’achat pour optimiser les promotions.

🔍 Prédiction de sinistres auto – POC à venir
Modèle prédictif pour estimer la probabilité de sinistre selon le profil client et le véhicule.

🚨 Détection de fraudes – POC à venir
Système d’alerte automatique pour repérer les déclarations suspectes.

🗺️ Cartographie du risque – POC à venir
Visualisation géographique des zones à risque pour ajuster les politiques tarifaires.

🧠 Qualité et gouvernance des données – Section en développement – POC à venir
Méthodologie pour évaluer, nettoyer et fiabiliser les jeux de données avant usage analytique.

🤖 Automatisation et extraction de données PDF – POC à venir
Scripts Python pour transformer automatiquement des rapports PDF (comptes, subventions, contrats) en bases structurées exploitables.

🧩 Segment 360 – POC Segmentation Multi-secteurs

🎯 Objectif :
Cette interface permet d’analyser automatiquement les comportements clients et de générer des recommandations marketing adaptées à différents secteurs (Camping, Photovoltaïque, Formation, Santé & Bien-être, Logistique modulaire). L’application fournit des indicateurs clés tels que le Churn Score, le Churn Risk, le LTV futur, ainsi que des résumés par segment (Cluster ou RFM). Les utilisateurs peuvent visualiser des distributions, des graphiques par segment et des cartes interactives pour identifier les clients à fort potentiel ou à risque, et ainsi optimiser les campagnes marketing et le ROI.

🔍 Données utilisées :
• Données clients multi-secteurs (CSV / JSON) incluant : Informations démographiques (âge, localisation, revenus…), Historique de transactions ou réservations, Indicateurs comportementaux (satisfaction, engagement, fréquence, montant), Indicateurs marketing (ouverture et clics emails, visites site, budget marketing), Données techniques ou sectorielles (ex. occupation camping, installations photovoltaïques)

🧠 Tech Stack :
• Python • Pandas & NumPy • Prétraitement & nettoyage des données • Streamlit • Plotly • Matplotlib / Seaborn • JSON / CSV • GitHub & Render • RFM & scoring Churn • Visualisations interactives

💡 Insight clé :
Grâce à cette application, il est possible de détecter rapidement les clients à risque, estimer la valeur future (LTV) par segment, et générer des recommandations marketing personnalisées. Elle permet aussi d’anticiper la rétention client et d’optimiser les investissements marketing selon le secteur.

🔗 Lien vers l’application : Ouvrir sur Render

🤖 Assistant Leads AI – Génération, Analyse & Prédiction de Leads

🎯 Objectif :
Cette interface permet de générer des leads synthétiques, d’analyser automatiquement leurs comportements et de prédire leur probabilité de conversion. L’application fournit des indicateurs clés tels que le **score d’intérêt**, le **taux de conversion estimé**, et des recommandations automatiques pour prioriser les leads ou les intégrer à des actions de nurturing. Les utilisateurs peuvent explorer les données via des graphiques interactifs, filtrer par source ou région, et tester la prédiction en temps réel grâce à l’interface Streamlit intégrée.

🔍 Données utilisées :
• Dataset synthétique de leads marketing (CSV) incluant :
– Informations sociodémographiques (secteur, taille d’entreprise, région, pays)
– Engagement marketing (emails ouverts, clics, visites sur le site, interactions commerciales)
– Historique des contacts et recommandations (statut projet, délai décision, satisfaction)
– Variables calculées par le modèle (probabilité de conversion, score d’intérêt, recommandation action)

🧠 Tech Stack :
• Python • Pandas & NumPy • Streamlit • Scikit-learn • Matplotlib / Seaborn • Joblib • YAML • GitHub & Render • Modèles ML (RandomForest, LightGBM, CatBoost, XGBoost) • Visualisations interactives et API intégrée

💡 Insight clé :
Grâce à cette application, il est possible de détecter rapidement les leads les plus prometteurs, estimer la probabilité de conversion, et générer des recommandations commerciales personnalisées. L’application sert aussi de **POC pédagogique** pour démontrer un pipeline complet **Data → ML → API → UI**.

🔗 Lien vers l’application : Ouvrir sur Render