Business intelligence
Power BI
KPI · dashboards · retail
Bonjour, je suis Jingyi JR Business Analyst — Data, IA & Product Operations.
J'aide les équipes métier et tech à transformer des données complexes en décisions fiables et en produits IA opérationnels.
Disponible pour un CDI ou une alternance en France Français C1 · Anglais C1 · Chinois
Vous avez besoin de décisions fiables, pas de plus de données.
Je relie indicateurs métier, contrôle qualité et exécution produit pour que les équipes puissent agir avec confiance.
- ✦Lire les KPI de vente, retail et e-commerce au-delà du simple reporting.
- ✦Contrôler la qualité des données avant qu'elles n'orientent une décision.
- ✦Transformer les retours utilisateurs en tests et priorités produit pour les équipes tech.
- ✦Présenter une analyse complexe sous une forme claire, utile et actionnable.
Power BIPythonSQLLLM QA
> lancement de jingyi.exe...
> chargement des modules business-analysis...
> prêt.
[ jingyi ren ]
focus: analyse métier · data · opérations produit IA
expérience: Nestlé France · Chanel · Semantikmatch
repères: 50+ dashboards | 10+ KPI | 200+ incidents
langues: français C1 | anglais C1 | mandarin
objectif: contribuer à un CDI ou une alternance en France
> tapez « contact » pour échangerMes compétences
Des compétences analytiques, produit et métier pour rendre les données réellement actionnables.
SQL
Explorer · croiser · fiabiliser
Panels Python
Pandas · Plotly
AI product quality
LLM QA
Prompts · tests · incidents
API & Salesforce
Systèmes · flux · opérations
Consumer insights
Nielsen Panels · Kantar · category
Tableau
Statistiques · visualisation data
Machine Learning
NLP · Deep Learning · XGBoost
Mes expériences
Des expériences en retail, FMCG et produit IA qui relient données, utilisateurs et décisions.
Août 2025 — Janvier 2026
Semantikmatch
AI Project Assistant
Recette fonctionnelle, tests LLM, intégrations Sandbox / API / Salesforce et suivi de plus de 200 incidents jusqu’en production.
Mars 2024 — Août 2024
Chanel
Assistant Business Analyst & Retail Coordination
Suivi de KPI retail et e-commerce pour quatre maisons, Power BI, qualité de données et coordination métier / IT.
Juillet 2023 — Décembre 2023
Nestlé France
Assistant Category Manager
Analyse de catégorie, Nielsen et Kantar, plus de 50 tableaux de bord et suivi de KPI de ventes et de consommation.
Ma formation
2022 — 2025
EDHEC Business School
Master in Management — Data Analysis & AI
Analyse de données, IA appliquée, business intelligence et recherche orientée décision métier.
Licence (Bachelor)
Yanshan University
Langue et littérature françaises
Des projets qui relient donnée, métier et produit
Des études de cas anonymisées, centrées sur la méthode, les décisions et les résultats.
Décision métier
Relier les indicateurs à une question business et à une action concrète.
Qualité des données
Vérifier les données et rendre les indicateurs suffisamment fiables pour décider.
Produit IA
Tester des workflows IA, qualifier les incidents et sécuriser les mises en production.
Customer insights
Transformer données marché et feedback client en recommandations actionnables.
Produit IAFiabiliser un produit IA avant son passage en production
LLM QAAPISalesforceLinear
- Enjeu
- Sécuriser des parcours d’un produit IA où des cas limites, des intégrations et des réponses LLM pouvaient dégrader l’expérience avant la mise en production.
- Approche
- Transformer les retours de test en tickets actionnables et créer un langage commun entre produit, technique et opérations.
- Contribution
- J’ai testé les parcours dans la Sandbox, vérifié les intégrations API et Salesforce, évalué des prompts LLM et assuré le suivi de plus de 200 incidents dans Linear jusqu’à leur résolution.
- Résultat
- Une visibilité continue sur la qualité des parcours et des retours plus exploitables pour prioriser les correctifs avant les déploiements.
!
↗
✦
✓
Repères
Informations non confidentielles200+
Incidents suivis
Dev → Prod
étapes
Sandbox & API
Périmètre
Ma méthode⌄
- Formalisation de cas de test couvrant les parcours métier et les cas limites.
- Vérification des réponses LLM avec une attention portée à la cohérence et à l’utilisabilité.
- Qualification, documentation et suivi des incidents dans Linear.
- Coordination des retours entre environnement Sandbox, API, Salesforce et équipes internes.
Customer insightsIdentifier les signaux qui rendent un avis client utile
PythonXGBoostNLPCustomer insights
- Enjeu
- Comprendre quels éléments d’un avis produit aident réellement les autres clients à prendre une décision, au-delà du simple nombre d’étoiles.
- Approche
- Construire un jeu de variables combinant informations transactionnelles et caractéristiques textuelles, puis comparer leur contribution prédictive.
- Contribution
- Dans mon mémoire, j’ai analysé 50 000 avis Amazon de produits bébé, créé 17 variables et entraîné un modèle XGBoost pour estimer l’utilité perçue des avis.
- Résultat
- Les achats vérifiés et la présence d’images ressortent comme les signaux les plus importants, suivis par la longueur de l’avis.
!
↗
✦
✓
Repères
Informations non confidentielles50 000
Avis analysés
17
Variables
XGBoost
Modèle
Ma méthode⌄
- Préparation et exploration d’un échantillon de 50 000 avis produits.
- Création de variables associées au contenu, à la crédibilité et au contexte de publication.
- Entraînement et interprétation d’un modèle XGBoost.
- Traduction des résultats en implications pour les équipes marketing et e-commerce.
Qualité des donnéesFaire parler les KPI retail et e-commerce
Power BIRetailE-commerceData governance
- Enjeu
- Rendre les indicateurs retail et e-commerce comparables et utiles pour des équipes aux besoins opérationnels différents, tout en soutenant la qualité des données.
- Approche
- Combiner le suivi des KPI avec une coordination étroite entre interlocuteurs métier et IT afin de clarifier les définitions, les besoins et les priorités.
- Contribution
- J’ai contribué au suivi d’indicateurs de quatre maisons dans Power BI, à des sujets de gouvernance de données et à la coordination d’échanges entre équipes business et techniques.
- Résultat
- Une lecture plus partagée des KPI et un support renforcé aux rituels de pilotage retail et e-commerce.
!
↗
✦
✓
Repères
Informations non confidentielles4
Maisons
Retail + e-com
Canaux
Power BI
Outil BI
Ma méthode⌄
- Suivi et consolidation d’indicateurs retail et e-commerce dans Power BI.
- Participation à des sujets de gouvernance et de qualité des données.
- Coordination entre besoins métier, reporting et équipes IT.
- Adaptation des analyses aux contextes de quatre maisons.
Décision métierDe tableaux de bord à des décisions de catégorie
Power BINielsenKantarCategory management
- Enjeu
- Aider une équipe catégorie à distinguer les signaux réellement utiles dans des données de ventes et de consommation multiples, notamment lors de l’analyse de la sortie de Carrefour.
- Approche
- Relier les KPI de marché et de performance commerciale à une question métier claire, puis rendre l’analyse accessible dans des tableaux de bord réutilisables.
- Contribution
- J’ai produit plus de 50 tableaux de bord pour deux marques, suivi plus de 10 KPI de ventes et de consommation via Nielsen et Kantar, et contribué à décomposer l’impact du départ de Carrefour.
- Résultat
- Des analyses plus structurées pour les échanges catégorie et une base commune pour interpréter les évolutions de performance.
!
↗
✦
✓
Repères
Informations non confidentielles50+
Tableaux de bord
10+
KPI suivis
2
Marques
Ma méthode⌄
- Construction et mise à jour de tableaux de bord à partir d’indicateurs de ventes et de consommation.
- Analyse des tendances de marché, de la catégorie et des performances de marque.
- Lecture de l’impact d’un changement de distribution avec une approche de décomposition.
- Restitution des résultats sous une forme adaptée aux besoins d’une équipe métier.
Quelques questions fréquentes
Vous souhaitez en savoir plus ? Écrivez-moi directement par email.
- Je cible en priorité les rôles de Business Analyst, Data & AI Analyst, Product Operations et Marketing / Consumer Insights.
- Oui. Je suis ouverte aux opportunités de CDI et d'alternance en France, selon le besoin de l'équipe et les démarches administratives associées.
- Je décris le contexte, ma méthode, les outils et des résultats non sensibles. Je ne publie ni données internes, ni captures d'écran, ni documents propriétaires.
- Elle me permet de transformer un besoin métier en cas de test, de prioriser les risques de qualité et de faciliter le dialogue entre utilisateurs, équipes opérationnelles et équipes techniques.
Contexte métier
Partir de la question derrière un KPI : ce qui a changé, pourquoi cela compte et ce que l’équipe peut tester ensuite.
Fiabilité des données
Vérifier les sources, définitions et ruptures historiques avant qu’un insight ne devienne une décision.
Qualité produit IA
Utiliser des scénarios de test représentatifs, des priorités claires et des contrôles de régression avant la production.
Clarté transverse
Traduire analyses complexes et retours terrain en langage actionnable pour les équipes métier et techniques.
Contexte métier
Partir de la question derrière un KPI : ce qui a changé, pourquoi cela compte et ce que l’équipe peut tester ensuite.
Fiabilité des données
Vérifier les sources, définitions et ruptures historiques avant qu’un insight ne devienne une décision.
Qualité produit IA
Utiliser des scénarios de test représentatifs, des priorités claires et des contrôles de régression avant la production.
Clarté transverse
Traduire analyses complexes et retours terrain en langage actionnable pour les équipes métier et techniques.
Contexte métier
Partir de la question derrière un KPI : ce qui a changé, pourquoi cela compte et ce que l’équipe peut tester ensuite.
Fiabilité des données
Vérifier les sources, définitions et ruptures historiques avant qu’un insight ne devienne une décision.
Qualité produit IA
Utiliser des scénarios de test représentatifs, des priorités claires et des contrôles de régression avant la production.
Clarté transverse
Traduire analyses complexes et retours terrain en langage actionnable pour les équipes métier et techniques.
Contexte métier
Partir de la question derrière un KPI : ce qui a changé, pourquoi cela compte et ce que l’équipe peut tester ensuite.
Fiabilité des données
Vérifier les sources, définitions et ruptures historiques avant qu’un insight ne devienne une décision.
Qualité produit IA
Utiliser des scénarios de test représentatifs, des priorités claires et des contrôles de régression avant la production.
Clarté transverse
Traduire analyses complexes et retours terrain en langage actionnable pour les équipes métier et techniques.