Démo interactive
Repérer les stocks à risque avant la rupture
Valeur du stock, rotation, couverture et alertes par entrepôt, avec une analyse ABC des références.
- Power BI
- Excel / Power Query
Démo interactive
Fiabiliser un fichier clients avant de l’analyser
Un extrait typique d’export CRM. Glissez le curseur pour comparer le fichier brut et le fichier fiabilisé.
Avant
| # | Client | Téléphone | Date | Ville | Montant | |
|---|---|---|---|---|---|---|
| 1 | DUPONT jean | j.dupont@gmail | 06 12 34 56 78 | 03/02/2024 | paris | 1 250,00 |
| 2 | Dupont Jean | j.dupont@gmail.com | +33612345678 | 2024-02-03 | Paris | 1250 |
| 3 | martin sophie | SOPHIE.MARTIN@ORANGE.FR | 0698765432 | 15 mars 2024 | LYON | vide |
| 4 | Leroy Paul | p.leroy@free.fr | 6 45 67 89 01 | 2024/04/22 | Lille | 890 € |
| 5 | Bernard, Claire | claire.bernard@sfr.fr | 07.11.22.33.44 | 01-05-2024 | Bordeaux | 2 100 |
| 6 | LEROY paul | p.leroy@free.fr | 06 45 67 89 01 | 22/04/2024 | lille | 890 |
Après
| # | Client | Téléphone | Date | Ville | Montant | |
|---|---|---|---|---|---|---|
| 1 | Jean Dupont | j.dupont@gmail.com | +33 6 12 34 56 78 | 03/02/2024 | Paris | 1 250 € |
| 2 | — fusionné avec la ligne 1 | |||||
| 3 | Sophie Martin | sophie.martin@orange.fr | +33 6 98 76 54 32 | 15/03/2024 | Lyon | à compléter |
| 4 | Paul Leroy | p.leroy@free.fr | +33 6 45 67 89 01 | 22/04/2024 | Lille | 890 € |
| 5 | Claire Bernard | claire.bernard@sfr.fr | +33 7 11 22 33 44 | 01/05/2024 | Bordeaux | 2 100 € |
| 6 | — fusionné avec la ligne 4 | |||||
- 2 doublons fusionnés
- 1 email invalide corrigé
- 6 téléphones au format international
- 4 dates harmonisées
- 6 noms, villes et montants standardisés
- 1 valeur manquante signalée
Le nettoyage est écrit une fois (Power Query, SQL ou Python), puis rejoué automatiquement à chaque nouvel export.
Démo sur données fictives. Les données sont inventées ; la démarche est celle que j’applique en mission : mêmes indicateurs, mêmes contrôles de cohérence. Mission type : nettoyage du CRM et suivi du pipeline commercial.
Le contexte
Doublons, formats de dates différents, noms écrits de trois façons, cellules vides : avec des données sales, chaque analyse est fausse avant même de commencer. Dans cet exemple, des prospects sont aussi oubliés parce que les relances ne sont pas suivies.
Comment je l’ai construit
-
Diagnostic
Je mesure la qualité des données : doublons, trous, incohérences.
-
Nettoyage
Une chaîne de traitement reproductible, rejouée à chaque import, pas un nettoyage à la main.
-
Standardisation
Des champs et des étapes de pipeline définis une fois pour toutes, avec des règles de saisie pour que le problème ne revienne pas.
-
Suivi
Un tableau de suivi du pipeline avec rappels automatiques de relance.
Avant, après
Avant
- Doublons et champs incohérents
- Étapes du pipeline mal définies
- Prospects oubliés, relances irrégulières
Après
- Base dédoublonnée et standardisée
- Pipeline lisible, étape par étape
- Rappels automatiques de relance
Ce que ça change
Des chiffres fiables pour toutes les analyses suivantes. Un nettoyage rejouable en un clic. Moins de prospects oubliés.
Et chez vous ?
Pas besoin de tout reprendre à zéro : le nettoyage s’applique à vos fichiers existants, de quelques centaines de lignes à plusieurs millions, avec SQL ou Python quand Excel ne suffit plus.
Un besoin proche ? Écrivez-moi.
Parler de votre projet