Je transforme les questions métier en outils data réellement utilisés.
Abraham Anaba · Chef de projet Data & IA, ingénieur logiciel de formation.
Projets menés du cadrage à la mise en service.
- Cadrage
- Données
- Construction
- Mise en service
Disponible dès maintenant pour une alternance en data & IA
J’ai travaillé avec
- Castor Education
- Université de Douala
- Camerounada
- Cleafun
- STA
- GIT SA
01Projets choisis
Trois projets, du cadrage à la mise en service.
Pour chacun : le problème posé, mon rôle exact et le résultat principal.
Tous les projetsRéduire le décrochage en pilotant les parcours par la donnée
- Rôle
- Chef de projet Data (alternance)
Rendre les diplômes infalsifiables grâce à la blockchain
- Rôle
- Chef de projet blockchain (stage de fin d’études)
- Résultat
- 6 mois, du cadrage au déploiement sur AWS
Digitaliser un réseau de cinq agences et son acquisition client
- Rôle
- Consultant IT (freelance)
- Résultat
- 5 agences outillées et supervisées
02Démonstration
Une donnée n’est utile que lorsqu’elle change une décision.
Chez Castor Education, la question était simple : à partir de quand faut-il appeler un apprenant ? Déplacez le seuil pour voir l’arbitrage. Les données sont synthétiques, la méthode est réelle.
Apprenants à risque de décrochage, selon le seuil d’alerte retenu
À ce seuil, il faut contacter 46 apprenants pour repérer 5 décrocheurs sur 10.
4 de ces alertes concernent des apprenants qui seraient restés. 29 décrocheurs passent sous le radar.
- Décrocheurs repérés
- Alertes inutiles
- Décrocheurs manqués
- Restés, non signalés
- Décrocheurs repérés
- Alertes justifiées
Cliquez ou glissez sur la courbe pour choisir un seuil.
Voir les données
| Seuil | Signalés | Décrocheurs repérés | Alertes justifiées |
|---|---|---|---|
| ≥ 30 | 225 | 100 % | 32 % |
| ≥ 35 | 185 | 99 % | 38 % |
| ≥ 40 | 149 | 99 % | 47 % |
| ≥ 45 | 116 | 97 % | 59 % |
| ≥ 50 | 87 | 83 % | 68 % |
| ≥ 55 | 62 | 73 % | 84 % |
| ≥ 60 | 46 | 59 % | 91 % |
| ≥ 65 | 31 | 41 % | 94 % |
| ≥ 70 | 20 | 28 % | 100 % |
| ≥ 75 | 15 | 21 % | 100 % |
| ≥ 80 | 11 | 15 % | 100 % |
| ≥ 85 | 5 | 7 % | 100 % |
| Score de risque | Ont décroché | Sont restés |
|---|---|---|
| 0–4 | 0 | 1 |
| 5–9 | 0 | 4 |
| 10–14 | 0 | 9 |
| 15–19 | 0 | 19 |
| 20–24 | 0 | 22 |
| 25–29 | 0 | 40 |
| 30–34 | 1 | 39 |
| 35–39 | 0 | 36 |
| 40–44 | 1 | 32 |
| 45–49 | 10 | 19 |
| 50–54 | 7 | 18 |
| 55–59 | 10 | 6 |
| 60–64 | 13 | 2 |
| 65–69 | 9 | 2 |
| 70–74 | 5 | 0 |
| 75–79 | 4 | 0 |
| 80–84 | 6 | 0 |
| 85–89 | 2 | 0 |
| 90–94 | 2 | 0 |
| 95–99 | 1 | 0 |
03Méthode
Ma méthode tient en quatre étapes.
- 01
Comprendre la décision
Qui décide quoi, à quel rythme, et sur quelle base aujourd’hui.
- 02
Fiabiliser les données
Des sources connues, une qualité mesurée, une seule version des chiffres.
- 03
Construire avec les utilisateurs
Un premier outil en quelques semaines, ajusté avec ceux qui s’en servent.
- 04
Mesurer l’adoption
Le projet se termine quand l’outil est utilisé, pas quand il est livré.
04Écrits
Notes de terrain
La question d’une école, un mardi matin. Elle ne parlait pas vraiment d’IA. Elle parlait de ce qui, demain, aura encore de la valeur dans l’enseignement.
15 mars 2026Cadrer avant de coder : ce que CRISP-DM m’a apprisLa plupart des projets data n’échouent pas sur le modèle. Ils échouent avant : sur la question posée. Pourquoi je passe autant de temps sur le cadrage.
05Contact
Vous recrutez en alternance ?
Je cherche ma prochaine alternance en data et IA. Voici l’essentiel ; un email ou quelques lignes ici suffisent pour organiser un échange.
Disponible dès maintenant pour une alternance en data & IA
- Poste visé
- Chef de projet Data & IA, Data Analyst
- Formation
- Mastère Chef de projet Data & IA, ESIC Paris (RNCP 37137, niveau 7)
- Rythme
- 3 semaines en entreprise, 1 semaine à l’école
- Démarrage
- Dès maintenant (septembre 2026)
- Fin du cursus
- Septembre 2027
- Lieu
- Paris et Île-de-France
Ou laissez-moi un mot ici
Je réponds personnellement sous 48 heures.