Ratigniet Valentin valentinratigniet-byte

Bonjour, je suis Valentin Ratigniet 👋

Profil hybride : culture financière (Master Économie Appliquée + alternance Business Analyst) et ingénierie de données. Ce profil n'est pas une collection de projets isolés — c'est un écosystème connecté où chaque brique réutilise la précédente, de la base opérationnelle jusqu'au cloud.

💼 Expérience

Business Analyst opérationnel (alternance), Groupe Delcroix · août 2025 → septembre 2026

Refonte du reporting autour d'un modèle sémantique Power BI partagé (gouvernance, maintenance, charge serveur).
Étapes Power Query converties en SQL natif sur des sources hétérogènes (AS/400, TMS, OPM) pour alléger les rapports.
Tableaux de bord de pilotage opérationnel : TRS véhicules, plannings, écarts comptables, projections d'heures.
Étude de cadrage : passage à un entrepôt de données centralisé, méthode ABC, accès par profil/service.
Sujets prolongés dans le portfolio, sur des données entièrement fictives : 21 · entrepôt de pilotage sous Power BI et 17 · rentabilité en méthode ABC.

Master 2 Économie appliquée (conseil économique aux entreprises), Université de Lille · 2024 → 2026

🤝 Comment je travaille avec l'IA

Ce portfolio a été construit avec un assistant de code IA (Claude Code) — c'est visible dans les commits (Co-Authored-By), et je préfère le dire clairement.

J'utilise l'IA comme un assistant qui accroît ma productivité, mon raisonnement et ma vitesse d'apprentissage. Le code produit avec elle est relu, corrigé, vérifié et, autant que possible, refait par moi, pour toujours comprendre ce qui est fait et produit.

Ce qui relève de moi :

Le cadrage métier : le problème, les KPI, les règles de gestion, le périmètre. Exemple : pour le projet 20, construit pour une candidature, j'ai choisi le pilotage de projets d'ingénierie plutôt que de réutiliser l'e-commerce, pour coller au « Management de Projet » de l'offre.
Le SQL et Power BI / DAX : je les relis, les corrige et les maîtrise (modélisation, mesures, rapports).
L'exécution et la vérification : je lance les pipelines et je recoupe les chiffres avant de publier (projet 20 : agrégats Databricks comparés au calcul local, au chiffre près).

Ce que ça m'a appris :

Relire, c'est comprendre : je réponds de chaque transformation, donc je dois la comprendre.
Vérifier avant de croire : l'IA peut se tromper avec assurance ; tout chiffre est recoupé par un calcul indépendant.
Bien spécifier et guider : le résultat dépend de la clarté du besoin, ce qui m'a entraîné à cadrer comme un Business Analyst.

Je peux expliquer et défendre en entretien chaque choix et chaque chiffre de ces projets.

🧭 Par où commencer ?

Vous recrutez un·e...	Commencez par...
Data Analyst	22 · Prix immobilier MEL (73 000 ventes réelles, économétrie) → 01 · Olist (données réelles, ~100k commandes) → 09 · Dashboard Power BI → 08 · SQL analytique
Data Engineer	19 · Plateforme multi-domaines → 21 · Entrepôt transport → 13 · BigQuery → 20 · Databricks
Business Analyst / Contrôle de gestion	21 · Spécification fonctionnelle → entrepôt (23 user stories, règles de gestion, recette) → 15 · Écarts Prix/Volume/Mix → 17 · ABC costing → 16 · Business case
2 minutes seulement	Le diagramme ci-dessous, puis 14 · Filiation : cliquer un indicateur et remonter jusqu'à la donnée brute

🧩 L'écosystème

Un seul socle (la base du Projet 07, en ambre ci-dessous) irrigue tout le reste. Chaque flèche est une vraie dépendance technique — pas juste un ordre de lecture.

flowchart LR
    classDef petrol fill:#137A8B,color:#fff,stroke:#0d5964,stroke-width:1px
    classDef ambre fill:#E4A93C,color:#1a1a1a,stroke:#b8822b,stroke-width:1px
    classDef neutre fill:#eef1f2,color:#1a1a1a,stroke:#c7cdd0,stroke-width:1px

    P07["07 · Base PostgreSQL<br/>OLTP e-commerce, 3NF"]
    P08["08 · Bibliothèque SQL<br/>fenêtres, cohortes, RFM"]
    P09["09 · Dashboard Power BI<br/>étoile, DAX, RLS"]
    P10["10 · Pipeline ELT<br/>dbt + Prefect"]
    P11["11 · Gouvernance<br/>dictionnaire + lignage"]
    P13["13 · Entrepôt BigQuery<br/>même étoile, cloud"]
    P14["14 · Filiation<br/>traçabilité interactive"]

    P07 --> P08 --> P09
    P07 --> P10 --> P09
    P10 --> P11
    P07 -.-> P11
    P07 --> P13
    P10 --> P14
    P11 -.-> P14

    class P07 ambre
    class P09,P13 petrol
    class P08,P10,P11,P14 neutre

Le même schéma dimensionnel tourne deux fois : une fois en local (Power BI ↔ PostgreSQL, Projet 09) et une fois dans le cloud (Power BI ↔ BigQuery, Projet 13) — la modélisation ne dépend pas de l'infrastructure qui la porte.

📐 Le motif qui revient dans presque tous les projets : l'architecture "medallion"

Même démarche à chaque fois, du système source jusqu'à la restitution — le terme technique en gras, ce qu'il veut dire en simple juste en dessous :

flowchart LR
    ERP[("🏭 ERP / système source<br/>AS/400, SQL Server...<br/><i>la vraie techno où naît la donnée</i>")] --> SRC[("🎭 Extraction<br/>API, CSV, base OLTP<br/><i>copie d'une 'base de production' simulée</i>")]
    SRC --> RAW[("📥 raw<br/>copie fidèle, non transformée<br/><i>rien n'est perdu, tout est rejouable</i>")]
    RAW --> STG[("🧹 staging<br/>nettoyage, typage, renommage<br/><i>ETL/ELT via dbt, en SQL testé</i>")]
    STG --> MARTS[("⭐ marts<br/>étoile : faits + dimensions<br/><i>l'entrepôt, une seule source de vérité</i>")]
    MARTS --> BI["📊 Power BI / Streamlit<br/>restitution<br/><i>chacun voit ce qu'il a le droit de voir</i>"]

Chaque couche a un seul rôle : raw garde une copie fidèle de la source (traçabilité, on peut toujours rejouer) ; staging nettoie et type sans changer le sens métier ; marts expose un modèle prêt pour l'analyse. Séparer ces couches évite qu'une transformation cassée corrompe la donnée source — utilisé dans les projets 04, 10, 11 et 13.

📂 Projets — classés par compétence dominante

📊 Data Analyst — de la donnée brute à la décision

⭐ 22 · Prix des logements de la métropole lilloise — 73 271 ventes notariées réelles (DVF), régression hédonique (déplié)

Problème : un prix au m² moyen par commune ne dit presque rien — à Lille il varie du simple au double d'un quartier à l'autre. Ce bien est-il au prix du marché, compte tenu de ce qu'il est et de là où il est ? Méthode : nettoyage DVF documenté (dont une résidence étudiante vendue lot par lot qui gonflait une médiane de 90 %), régression hédonique à effets fixes quartier et trimestre, validation sur ventes non vues, test statistique, note d'une page pour un décideur. Résultat : à bien égal, l'emplacement fait varier le prix de −30 % à +37 % ; baisse 2024/2022 de −3,9 % (appartements) et −7,1 % (maisons), p < 10⁻¹⁷ ; une cave ou un parking vaut +7,6 % ; erreur d'estimation 13,7 % contre 18,4 % pour la médiane communale.

· Repo · Note décideur · Démo live

01 · Analyse des ventes e-commerce (Olist) — données réelles Kaggle, ~100k commandes

Problème : une baisse de CA constatée — est-ce la qualité de service qui s'est dégradée, ou autre chose ? Méthode : nettoyage SQL, 7 requêtes KPI, dashboard Power BI (étoile, 15 mesures). Résultat : la baisse n'est pas liée à la qualité (délais raccourcis pendant la baisse) — le vrai problème est la rétention : 97 % des clients ne commandent qu'une fois.

Pratique	Comment elle est appliquée ici
Un repo = un projet	22 dépôts indépendants, chacun avec un README structuré (problème → méthode → résultats chiffrés → reproduction)
Tests systématiques, vérifiés par CI	dbt tests (unicité, non-nullité, intégrité référentielle) sur les projets 04/10/11/13/18 ; tests qualité Python sur les projets 02/09/12/14 ; constats d'analyse rejoués sur les données réelles (Olist) sur le projet 01 ; asserts d'identité/réconciliation comptable sur les projets 15/16/17 ; RLS testée avec les vrais rôles sur les projets 18/19 ; tests PySpark sur le projet 20 ; parité KPI par KPI Power BI ↔ entrepôt sur le projet 21 ; 21 des 22 dépôts ont une CI GitHub Actions qui rejoue le pipeline à chaque push — badge cliquable dans chaque README concerné, pas juste une affirmation
Documentation vivante	Journal de bord par projet, descriptions in-situ dans les modèles Power BI, dictionnaires de données générés (pas de doc qui se périme dans un coin)
Secrets jamais commités	`.gitignore` systématique, clés de service hors repo, tout secret lu depuis l'environnement (`ANTHROPIC_API_KEY`, `GOOGLE_APPLICATION_CREDENTIALS`)
Moindre privilège	Comptes de service à droits scopés (IAM BigQuery : `dataEditor` + `jobUser`, jamais `Owner`)
Reproductibilité	Scripts rejouables (`load_postgres_to_bq.py`, `fetch_deals.py`, `build_index()`), environnements Docker/venv versionnés
Garde-fous coûts cloud	Région unique, colonnes explicites dans les requêtes facturées (BigQuery), staging en vues / marts en tables matérialisées
Commits descriptifs	Convention `feat:` / `docs:` / `fix:`, message = contexte + résultat chiffré, jamais juste "update"

Ratigniet Valentin valentinratigniet-byte

Highlights

Bonjour, je suis Valentin Ratigniet 👋

💼 Expérience

🤝 Comment je travaille avec l'IA

🧭 Par où commencer ?

🧩 L'écosystème

📂 Projets — classés par compétence dominante

📊 Data Analyst — de la donnée brute à la décision

💼 Contrôleur de gestion / Business Analyst — du chiffre à la décision

🏗️ Data Engineer — pipelines & infrastructure

🤖 IA / LLM

✅ Bonnes pratiques appliquées sur tout le portfolio

📊 Activité GitHub

🔗 Une structure commune, projet après projet

🎨 Identité visuelle

Pinned Loading

Uh oh!