Fiche entretien — ESGI · Mastère IA & Big Data

Yacine Ouasti · entretien de motivation / admission · tout mon parcours, mon CV et mes projets expliqués simplement
⌥  github.com/Yeekz
Vue d'ensemble
🎓 Pourquoi l'ESGI
📄 Mon CV expliqué
💬 Phrases & questions
1TaskFlow
2Valorisation CAC 40
3Portefeuille
4Scoring crédit
5Outil IA (PO)
6Assistant wallets
📖 Glossaire

L'essentiel à retenir pour l'entretien

Tu passes un entretien de motivation pour entrer au Mastère IA & Big Data de l'ESGI. Le jury ne teste pas ton niveau de code : il veut voir ta motivation, ta cohérence de projet et ta capacité à suivre. Ta force = tu as déjà codé 6 projets seul et tu as une alternance → tu es un candidat sérieux et « prêt ».

Tes 3 arguments imbattables

preuve de motivation

① J'ai déjà codé, seul

6 projets Python publics sur GitHub (web, finance, IA). Je n'arrive pas les mains vides : j'ai déjà commencé, par passion.

candidat « prêt »

② J'ai déjà une alternance

Une entreprise m'attend pour l'alternance. Pour l'école, c'est zéro risque : le plus dur (trouver l'entreprise) est fait.

profil rare

③ Business + Tech

École de commerce (NEOMA) + code en autodidacte. Je comprends le métier ET je sais construire — un pont que peu de gens font.

base solide

④ Bac scientifique

Spécialités Maths & SVT : la logique et les maths, le socle de la data et de l'IA. Je ne pars pas de zéro.

Le message central (à répéter) : « Je viens du business, je me suis formé au code par passion, et je veux officialiser et approfondir tout ça avec le Mastère IA & Big Data. J'ai déjà les projets ET l'alternance : il ne me manque que la formation solide que l'ESGI apporte. »

👉 Onglets : 🎓 Pourquoi l'ESGI (motivation + le programme en clair) · 📄 Mon CV expliqué (raconter ton parcours) · 💬 Phrases & questions (réponses toutes prêtes + questions à poser) · 1→6 (chaque projet en détail) · 📖 Glossaire (réviser les termes).

🎓 Pourquoi l'ESGI & le Mastère IA & Big Data

Entretien de motivation / admission · Mastère Intelligence Artificielle & Big Data — 1ʳᵉ année · en alternance
Ton fil rouge : NEOMA m'a donné le sens métier + la finance + la donnée → j'ai appris à coder seul (6 projets) → l'ESGI me donne la compétence technique solide et reconnue en IA & Big Data → mon alternance, c'est le terrain où tout se combine. Une trajectoire continue, pas un virage sur un coup de tête.

Pourquoi je veux ce Mastère (mes vraies raisons)

Passer de l'autodidacte au solide
« J'ai appris seul et j'ai des projets, mais je veux des bases structurées et reconnues : machine learning, Big Data, data engineering. On ne s'improvise pas expert IA en autodidacte — je veux la vraie formation. »
L'IA & la data, c'est mon truc
« C'est ce qui me passionne au quotidien : analyser la donnée, automatiser, faire parler des chiffres. Mes projets et mes centres d'intérêt le montrent — ce n'est pas un choix par défaut. »
Le format alternance
« Je veux apprendre en faisant, en entreprise, pas seulement en cours. L'alternance colle à ma façon d'apprendre — j'ai d'ailleurs déjà appris à coder en pratiquant. »
Mon profil hybride prend son sens
« L'IA et la data ont besoin de gens qui comprennent le métier autant que la technique. Mon BBA + le code, c'est exactement ce pont. Ce Mastère complète la moitié technique. »

Pourquoi l'ESGI (et pas une autre)

Prépare 2-3 raisons concrètes et sincères (à vérifier avant l'entretien sur le site de l'école) : école 100 % spécialisée informatique (pas une école généraliste), Mastère orienté professionnalisant et en alternance, titre reconnu (RNCP), réputation sur l'IA / le Big Data, et le fait que le cursus accueille des profils en reconversion comme le mien. Astuce : cite une chose précise vue sur leur site ou aux portes ouvertes → ça prouve que tu t'es renseigné.

Le programme en clair — de quoi on parle vraiment

Le jury peut vérifier que tu sais dans quoi tu t'engages. Voici les grands mots du Mastère, expliqués simplement :

Intelligence artificielle (IA)
Faire faire à une machine des tâches qui demandent normalement de l'« intelligence » : reconnaître, prédire, classer, générer du texte. Ex. mon assistant qui catégorise des dépenses tout seul.
Machine learning (ML)
« Apprentissage automatique » : au lieu de programmer chaque règle à la main, on montre des exemples à un modèle et il apprend les règles tout seul. Le cœur de l'IA moderne.
Big Data
Traiter des volumes de données énormes (trop gros pour un simple Excel), venant de partout et très vite. Il faut des outils spéciaux pour les stocker et les analyser.
Data engineering
Construire les « tuyaux » qui collectent, nettoient et rangent la donnée pour qu'elle soit exploitable. Le travail de plomberie indispensable avant toute analyse.
Data science / analyse
Extraire du sens des données : statistiques, graphiques, modèles, prédictions — pour aider à décider.
Algorithmique
L'art d'écrire des suites d'étapes logiques efficaces pour résoudre un problème. La grammaire de base du code.
LLM / IA générative
Les IA type ChatGPT / Claude qui rédigent du texte. J'en utilise déjà dans 2 de mes projets (avec un plan B sans IA).
Ta phrase de synthèse (à dire) : « Je ne découvre pas ces sujets le jour de l'entretien : je code déjà, j'utilise déjà de l'IA dans mes projets, et je connais les grandes notions. Le Mastère, c'est pour structurer, approfondir et rendre ça solide — et le vivre en entreprise via mon alternance. »

💡 Si on te demande « où vous voyez-vous dans 5 ans ? » → « Data analyst / data scientist ou chef de projet data, à la frontière du métier et de la technique — un rôle où mon double profil business + tech est un atout. »

📄 Mon CV, ligne par ligne

De quoi raconter chaque partie de ton CV avec aisance, sans réciter
Ton CV raconte une histoire cohérente : une base scientifique (bac maths), une formation business & data (NEOMA), des projets tech faits en autodidacte, et des expériences où tu as géré de la donnée et des équipes sous pression.

Formation

Bac Général — Maths & SVT (2022)
« Ma spécialité maths me donne l'aisance avec la logique et les chiffres — utile en data et en IA. »
Global BBA — NEOMA (2023–2026)
« Un programme de commerce international : finance, analyse de données, statistiques, gestion de projet. J'y ai appris à comprendre un besoin métier et à lire des chiffres. »
Mastère IA & Big Data — ESGI
« La suite logique : je passe à la maîtrise technique de la data et de l'IA, en alternance. C'est l'objet de cet entretien. »

Projets — Développement & Finance

Appli web full-stack (2025)
« Une application complète en Python que j'ai codée de A à Z : serveur, base de données, interface, comptes. » → onglet 1 · TaskFlow.
Valorisation CAC 40 (2025)
« Estimer combien vaut une grande entreprise (TotalEnergies) par plusieurs méthodes, en automatisant les calculs. » → onglet 2.
Portefeuille virtuel (2024)
« Gérer un portefeuille d'investissement et mesurer sa performance ET son risque. » → onglet 3.
Risque de crédit PME (2024)
« Noter le risque qu'une PME ne rembourse pas son prêt, comme une banque. » → onglet 4.

Projets — IA & Product Ownership

Product Owner — Outil IA (2026)
« J'ai piloté un outil d'IA en équipe : cadrer le besoin, prioriser, animer les sprints. Le pont entre le métier et les développeurs. » → onglet 5.
Assistant IA de wallets (2025)
« Un assistant qui réunit plusieurs comptes, classe les dépenses tout seul et les analyse avec de l'IA. » → onglet 6.

Expériences professionnelles

Sodexo — JO Paris 2024
« Stage en planification opérationnelle sur un événement géant : j'ai collecté et analysé des données (effectifs, flux) et tenu des tableaux de bord quotidiens sous forte pression. » → data + rigueur + gestion du stress.
Maître d'Hôtel — Amagat
« J'ai encadré une équipe de salle et géré les priorités en forte affluence. » → sens du collectif, sang-froid, relation client.

Compétences & outils (ce que tu coches)

Dev & IA : Python / Flask, HTML-CSS-JS, API REST, SQL, IA générative & LLM, automatisation, Product Ownership Agile. Finance : analyse financière, valorisation, risque, reporting & KPI. Outils : Git/GitHub, VS Code, SQLite, Power BI, Excel, Jira/Notion/Trello. Langues : français natif, anglais B2–C1. → Si on te demande un mot que tu ne maîtrises pas encore parfaitement, sois honnête : « je l'ai pratiqué dans tel projet » ou « c'est justement ce que je viens approfondir ».
Le fil rouge à dire : « Chaque ligne de mon CV ajoute une brique : la logique (bac maths), le métier et la data (NEOMA), la preuve que je code (mes projets), et la capacité à gérer données + équipes + pression (Sodexo). Le Mastère ESGI, c'est la brique technique qui manque. »

💬 Phrases prêtes à dire & questions du jury

Entretien de motivation ESGI · réponses toutes prêtes (à dire avec tes mots, pas à réciter)
⚠️ Un entretien d'admission juge surtout : motivation, cohérence du projet, capacité à suivre et savoir-être. Reste simple, sincère, souriant. Tu n'as pas à être un expert : tu dois montrer que tu es sérieux, motivé et déjà en route.

🎤 Les questions classiques — tes réponses

« Présentez-vous / Parlez-moi de votre parcours »

« Je suis Yacine, j'ai un bac scientifique et je termine un Global BBA à NEOMA. En parallèle, je me suis formé au code par passion : j'ai 6 projets sur GitHub, en dev web, en finance et en IA. Aujourd'hui je veux structurer et approfondir tout ça avec votre Mastère IA & Big Data, en alternance — et j'ai déjà une entreprise pour l'alternance. »

« Pourquoi l'informatique / l'IA après une école de commerce ? »

« Ce n'est pas un virage : à NEOMA j'ai découvert l'analyse de données et j'ai accroché. J'ai commencé à coder seul, et je n'ai plus arrêté. Le business m'a donné le sens du métier, maintenant je veux la maîtrise technique. Les deux ensemble, c'est un profil rare et recherché. »

« Pourquoi l'ESGI ? »

« Parce que c'est une école 100 % spécialisée en informatique, avec un Mastère IA & Big Data professionnalisant et en alternance, et un titre reconnu. Je veux une formation technique solide et concrète, pas théorique — et qui accueille des profils motivés comme le mien. » (ajoute 1 détail précis vu sur leur site.)

« Que connaissez-vous du programme / du métier ? »

« Le Mastère couvre le machine learning, le Big Data, le data engineering, l'algorithmique. Concrètement, ça mène à des métiers comme data analyst, data scientist ou chef de projet data. Je touche déjà à une partie de ça dans mes projets — je viens le rendre solide. »

« Vous savez vraiment coder ? Montrez-moi. »

« Oui — 6 projets publics sur mon GitHub, avec des tests. Je peux ouvrir n'importe lequel et vous expliquer comment il marche : une appli web complète, de la finance quantitative, un assistant qui utilise de l'IA. » (aie ton GitHub prêt à montrer.)

« C'est un programme technique et exigeant — vous allez suivre ? »

« J'ai un bac maths, j'ai déjà appris à coder seul, et j'aime ça — donc oui. Je sais que ce sera exigeant, mais j'apprends vite en autonomie et l'alternance va me faire pratiquer tous les jours. C'est justement le cadre qu'il me faut pour progresser. »

« Avez-vous une entreprise pour l'alternance ? »

« Oui, j'ai déjà une entreprise prête à m'accueillir en alternance sur un poste data & automatisation. » (énorme atout : le mettre en avant tôt — ça rassure l'école.)

« Une qualité / un défaut ? »

Qualité : « J'apprends vite en autonomie — j'ai appris à coder seul. » Défaut : « Je veux parfois aller trop vite / tout construire d'un coup ; j'apprends à d'abord cadrer et prioriser » (compétence de Product Owner).

« Où vous voyez-vous dans 5 ans ? »

« Dans un métier de la data — analyste ou data scientist, ou chef de projet data — à la frontière du métier et de la technique, là où mon double profil business + tech fait la différence. »

❓ Questions à POSER au jury (obligatoire — prépares-en 2)

Pédagogie
« Comment le programme accompagne-t-il les profils qui viennent d'un autre domaine, comme moi ? »
Projets
« Quelle est la place des projets concrets et de la pratique dans le cursus ? »
Rythme
« Quel est le rythme d'alternance école / entreprise ? »
Débouchés
« Vers quels métiers vos diplômés du Mastère IA & Big Data s'orientent-ils le plus ? »
Suite
« Quelles sont les prochaines étapes après cet entretien ? »
Ta phrase de clôture : « J'arrive avec une vraie motivation, des projets déjà réalisés et une alternance en poche. Ce Mastère, c'est la pièce qui me manque pour devenir solide en IA & Big Data. J'ai hâte de m'y investir à fond. »

✅ Rappels : souris, regarde le jury, parle avec enthousiasme. Montre l'envie d'apprendre plus que la maîtrise parfaite. Aie ton CV, ton GitHub et 1-2 détails sur l'ESGI sous la main. En cas de trou : respire, reformule la question, prends ton temps.

① TaskFlow — Gestionnaire de tâches & projets

github.com/Yeekz/flask-fullstack-webapp · projet personnel
PythonFlaskSQLite SQLAlchemy (ORM)API REST HTML / CSS / JSJinja2pytest

En clair

Une application web complète (comme un mini-Trello) pour gérer des projets et des tâches en colonnes « À faire / En cours / Terminé » — que j'ai construite de A à Z : l'interface, le serveur, la base de données et les comptes utilisateurs.

Le problème qu'il résout

Organiser son travail avec des tâches et des projets. Ça paraît simple côté écran, mais derrière il faut : stocker les données durablement, gérer des comptes sécurisés, et faire dialoguer l'écran avec le serveur. Ce projet prouve que je sais assembler toutes ces briques.

Comment ça marche, étape par étape

  1. L'utilisateur crée un compte et se connecte (mot de passe stocké chiffré, jamais en clair).
  2. Il crée des projets (nom, description, couleur).
  3. Dans un projet, il ajoute des tâches avec une priorité et une échéance.
  4. Il déplace les tâches entre les colonnes Kanban (À faire → En cours → Terminé).
  5. Chaque action est envoyée au serveur et enregistrée en base de données — on retrouve tout à la reconnexion.

Les termes techniques, expliqués

Full-stack
« Toute la pile » : je m'occupe à la fois du front (ce qu'on voit) et du back (le serveur + la base). Pas juste une moitié.
Front-end
La partie visible dans le navigateur : les pages, les boutons, le design (HTML, CSS, JavaScript).
Back-end
La partie invisible, sur le serveur : elle reçoit les demandes, applique les règles et parle à la base de données.
Flask
Un petit « moteur » Python pour construire le back-end d'un site web (recevoir les requêtes, renvoyer les réponses).
Base de données
Un endroit qui stocke les données durablement (utilisateurs, projets, tâches), même quand on ferme l'appli. Ici : SQLite.
ORM (SQLAlchemy)
Un traducteur : il me laisse manipuler la base en Python (objets User, Project, Task) au lieu d'écrire du SQL à la main. Plus lisible, moins d'erreurs.
API REST
La « prise » standard par laquelle l'écran et le serveur s'échangent des données (au format JSON), via le web.
Authentification / hachage
Gérer les connexions. Le mot de passe est haché (transformé en une empreinte irréversible) : même moi je ne peux pas le lire.
Jinja2
Le système qui génère les pages HTML en y insérant les données (ex. afficher le nom de l'utilisateur connecté).
pytest
L'outil qui lance des tests automatiques pour vérifier que le code fonctionne (inscription, création de tâches…).
Kanban
Une méthode d'organisation visuelle : des tâches sous forme de cartes qu'on déplace entre des colonnes selon leur avancement.
Ce que ça montre de moi : je sais livrer une application entière et fonctionnelle — interface, serveur, base de données, sécurité des comptes et tests. C'est le socle « SQL + Python + web » le plus concret de mon profil.
⌥ voir le code sur GitHub

② Valorisation d'une société du CAC 40 — TotalEnergies

github.com/Yeekz/cac40-dcf-valuation · projet académique NEOMA
Finance d'entreprisePythonpandas DCFComparablespytest

En clair

Je réponds à « combien vaut cette entreprise ? » pour un géant coté en Bourse (TotalEnergies), en croisant plusieurs méthodes de valorisation et en automatisant tous les calculs en Python.

Le problème qu'il résout

Estimer la valeur d'une entreprise est la question de base de la finance (investissement, rachat, introduction en Bourse). Il n'existe pas un seul chiffre « vrai » : on utilise plusieurs approches et on regarde si elles convergent.

Comment ça marche, étape par étape

  1. Je pars des états financiers (compte de résultat, bilan) et je les retraite (nettoie/ajuste).
  2. Je calcule des ratios pour juger la santé : rentabilité, endettement, liquidité.
  3. Méthode 1 — DCF : j'estime les flux d'argent futurs de l'entreprise et je les ramène à aujourd'hui.
  4. Méthode 2 — comparables : je compare l'entreprise à des sociétés similaires via des multiples de marché.
  5. Je fais une analyse de sensibilité (« et si les hypothèses changent ? ») puis une recommandation argumentée.

Les termes techniques, expliqués

Valorisation
Estimer combien vaut une entreprise (sa valeur, pas juste son prix en Bourse à un instant T).
CAC 40
L'indice des 40 plus grandes entreprises cotées à la Bourse de Paris.
États financiers
Les documents comptables officiels : le compte de résultat (ce que l'entreprise gagne/dépense) et le bilan (ce qu'elle possède/doit).
Ratios financiers
Des rapports entre deux chiffres qui donnent une info parlante. Ex. dette / capitaux propres = niveau d'endettement.
DCF
Discounted Cash Flow : on additionne les flux de trésorerie futurs de l'entreprise, en les « actualisant » (1 € demain vaut moins qu'1 € aujourd'hui).
FCF
Free Cash Flow = le vrai cash disponible que génère l'entreprise une fois ses dépenses payées.
WACC
Le taux d'actualisation : combien « coûte » l'argent de l'entreprise. Il sert à ramener les flux futurs à leur valeur d'aujourd'hui.
Valeur terminale
La valeur estimée de l'entreprise au-delà de l'horizon de prévision (on ne peut pas prévoir chaque année à l'infini).
Comparables (multiples)
On valorise en comparant à des sociétés semblables via des ratios comme EV/EBITDA ou P/E (cours / bénéfice).
Analyse de sensibilité
On fait varier les hypothèses (taux, croissance) pour voir à quel point le résultat bouge — un tableau WACC × croissance.
Ce que ça montre de moi : je maîtrise le raisonnement financier (pas juste des formules) et je sais l'automatiser proprement en code, avec des tests qui vérifient chaque calcul.
⌥ voir le code sur GitHub

③ Gestionnaire de portefeuille virtuel

github.com/Yeekz/virtual-portfolio-manager · projet finance NEOMA
Gestion d'actifsPythonpandas / NumPy Ratio de SharpeDiversificationmatplotlib

En clair

Je gère un portefeuille d'investissement virtuel (actions, ETF, obligations, or, cash) et je mesure non seulement combien il rapporte, mais surtout quel risque il fait prendre.

Le problème qu'il résout

Un bon investissement ne se juge pas qu'au rendement : deux portefeuilles qui rapportent pareil peuvent avoir des risques très différents. Ce projet montre comment piloter le couple rendement / risque.

Comment ça marche, étape par étape

  1. Je définis une composition (ex. 15 % LVMH, 20 % ETF actions monde, 25 % obligations, 10 % or…).
  2. Je génère ~3 ans de prix (données simulées) pour faire tourner le modèle.
  3. Je calcule les rendements puis les indicateurs de risque (volatilité, Sharpe, drawdown…).
  4. Je regarde la diversification via les corrélations entre actifs.
  5. Je rééquilibre périodiquement et je compare au benchmark 60/40, avec un rapport automatique.

Les termes techniques, expliqués

Portefeuille
L'ensemble des placements qu'on détient (actions, obligations, etc.).
Classe d'actifs
Une famille de placements au comportement proche : actions, obligations, or, liquidités…
ETF
Un panier coté qui réplique tout un indice (ex. « le S&P 500 ») en un seul achat : diversifié et peu coûteux.
Obligation
Un prêt à un État/une entreprise qui verse des intérêts : moins risqué qu'une action, en général.
Allocation
La répartition cible de l'argent entre les classes d'actifs (le « plan » du portefeuille).
Volatilité
À quel point le prix bouge dans tous les sens. C'est la mesure de base du risque (écart-type des rendements).
Ratio de Sharpe
Le rendement rapporté au risque pris : (rendement − taux sans risque) / volatilité. Plus il est haut, mieux on est payé pour le risque. Au-dessus de 1 = bon.
Diversification
Ne pas « mettre tous ses œufs dans le même panier ». Des actifs peu corrélés réduisent le risque global.
Corrélation
Est-ce que deux actifs montent/descendent ensemble ? De −1 (opposés) à +1 (synchronisés).
Max drawdown
La pire perte subie depuis un sommet : « combien j'aurais perdu au pire moment ».
Alpha
La sur- (ou sous-) performance par rapport au benchmark de référence.
Benchmark
Un point de comparaison (ici 60 % actions / 40 % obligations) pour juger si on fait mieux ou moins bien.
Rééquilibrage
Revenir périodiquement aux proportions cibles (on revend ce qui a trop monté, on rachète ce qui a baissé).
Ce que ça montre de moi : je sais passer de la performance brute à une mesure de risque (volatilité, Sharpe, corrélations) — la base du métier de gestion d'actifs et de risque de marché.
⌥ voir le code sur GitHub

④ Notation interne du risque de crédit PME

github.com/Yeekz/credit-risk-scoring-pme · étude de cas NEOMA
Risque de créditPythonScoring Stress testProbabilité de défautpytest

En clair

Je note le risque qu'une PME ne rembourse pas son crédit — comme le fait une banque avant de prêter — et je teste si cette note tient en cas de coup dur.

Le problème qu'il résout

Prêter de l'argent, c'est prendre le risque de ne pas être remboursé. Les banques doivent noter ce risque objectivement pour décider (prêter ou non, à quel taux, avec quelles garanties).

Comment ça marche, étape par étape

  1. Pour chaque PME, je calcule des ratios financiers (endettement, rentabilité, liquidité, capacité à payer les intérêts).
  2. Je traduis ces ratios (+ des critères qualitatifs) en un score sur 100.
  3. Le score donne une classe de notation (de AAA à D) et une probabilité de défaut.
  4. J'applique des scénarios de stress (chute du chiffre d'affaires, hausse des taux…) et je regarde combien de PME changent de classe.
  5. Selon le risque, je recommande des garanties / protections adaptées.

Les termes techniques, expliqués

Risque de crédit
Le risque que l'emprunteur ne rembourse pas (partiellement ou totalement).
Scoring
Noter automatiquement un risque à partir de critères chiffrés — comme un « score de crédit ».
Ratios financiers
Indicateurs tirés des comptes. Ex. gearing (dette/capitaux propres), current ratio (liquidité), DSCR (capacité à couvrir ses charges financières), ROE (rentabilité).
Classe de notation
Une échelle de A à D (AAA = très solide, D = en défaut), comme les agences de notation.
PD (probabilité de défaut)
Le pourcentage de chances que l'emprunteur fasse défaut. Chaque classe a sa PD (ex. AAA = 0,25 %, CCC = 18 %).
Score quanti / quali
60 points sur des chiffres (ratios) + 40 points sur du qualitatif (secteur, ancienneté, qualité du dirigeant…).
Stress testing
Simuler un scénario catastrophe pour voir si la note résiste — exigé par les régulateurs bancaires.
Migration de notes
Le fait que des emprunteurs changent de classe après le choc (ex. passer de A à BB).
Garanties / couverture
Se protéger du risque : caution, nantissement, covenants (clauses), plafond d'engagement, ajustement du taux.
Ce que ça montre de moi : je relie finance d'entreprise et modélisation du risque — de ratios bruts jusqu'à une probabilité de défaut, validée par un stress test. C'est le cœur du risque de crédit.
⌥ voir le code sur GitHub

⑤ Outil IA d'analyse & de reporting — rôle : Product Owner

github.com/Yeekz/ai-reporting-tool · projet d'équipe Agile / Scrum
Product OwnerAgile / ScrumPython / Flask pandasLLM (option)API JSON

En clair

Une application web où l'on dépose un fichier de données (CSV) et qui rend, en quelques secondes, un rapport clair : statistiques, graphiques, anomalies et une synthèse écrite en français. J'y ai tenu le rôle de Product Owner.

Mon rôle de Product Owner (le point clé)

Je n'étais pas seulement au code : j'ai porté le produit. J'ai cadré le besoin, rédigé et priorisé le backlog (la liste des fonctionnalités), animé les sprints et participé aux choix techniques avec l'équipe de dev. Les preuves sont dans le dossier docs/ du repo : VISION.md, PRODUCT_BACKLOG.md, SPRINT_PLAN.md.

Comment ça marche, étape par étape

  1. L'utilisateur dépose un fichier CSV (glisser-déposer).
  2. L'outil calcule les statistiques (moyennes, totaux, répartitions).
  3. Il génère des graphiques automatiquement.
  4. Il détecte les anomalies (valeurs anormales dans les données).
  5. Il rédige une synthèse en français — via un LLM si une clé API est fournie, sinon en mode statistique hors-ligne (aucun crédit dépensé).

Les termes techniques, expliqués

Product Owner (PO)
La personne qui fait le pont entre le besoin métier et l'équipe technique : elle décide quoi construire et dans quel ordre.
Agile / Scrum
Une façon de travailler par cycles courts (sprints), avec des points réguliers, pour livrer vite et s'adapter.
User story
Un besoin exprimé côté utilisateur : « En tant que…, je veux…, afin de… ».
Backlog
La liste priorisée de tout ce qui reste à faire (P0 = urgent → P3 = plus tard).
Sprint
Un cycle de travail court (1–2 semaines) avec un objectif précis à livrer.
CSV
Un format de fichier tableau très courant (comme un Excel simplifié, en texte).
LLM
Large Language Model : une IA type ChatGPT / Claude qui lit et rédige du texte — ici pour écrire la synthèse.
Repli (fallback)
Un plan B automatique : sans clé IA, l'outil bascule sur une analyse statistique — il marche toujours, même hors-ligne.
Détection d'anomalies
Repérer les valeurs qui « sortent du lot » (potentielles erreurs ou cas intéressants).
API JSON
Une entrée technique /api/analyze qui renvoie le résultat en données structurées {success, data, error}, réutilisables par un autre logiciel.
Ce que ça montre de moi : je sais faire le pont métier ↔ technique — cadrer un besoin, prioriser, animer une équipe et comprendre le code. Exactement la posture attendue pour piloter un produit ou une automatisation.
⌥ voir le code sur GitHub

⑥ Assistant IA de gestion de wallets

github.com/Yeekz/ai-wallet-assistant · projet personnel
PythonIA / LLMAutomatisation Moteur de règlesDétection d'anomaliepytest

En clair

Un assistant qui réunit plusieurs comptes bancaires en une vue, classe automatiquement chaque dépense, envoie des alertes et rédige une analyse des dépenses — avec de l'IA en option.

Le problème qu'il résout

Suivre ses finances quand on a plusieurs comptes (courant, épargne, cash) est fastidieux et manuel. Cet outil automatise le tri, la surveillance et l'analyse.

Comment ça marche, étape par étape

  1. Il agrège plusieurs comptes (courant, épargne, cash) en une vue consolidée (soldes + transactions).
  2. Il catégorise automatiquement chaque opération (courses, transport, loyer, loisirs…) par un moteur de règles explicable.
  3. Il déclenche des alertes : budget dépassé, dépense inhabituelle (détectée par z-score), solde bas.
  4. Il produit une analyse des dépenses en français (répartition, top dépenses, recommandations).
  5. Avec une clé IA → synthèse rédigée par un LLM ; sinon → repli statistique automatique (fonctionne sans internet).

Les termes techniques, expliqués

Agrégation
Réunir des données venant de plusieurs sources (ici plusieurs comptes) en une seule vue d'ensemble.
Catégorisation
Classer automatiquement chaque transaction dans une catégorie (courses, transport…).
Moteur de règles
Un système de « si… alors… » basé sur des mots-clés. Avantage : explicable — on sait pourquoi une dépense a été classée ainsi.
z-score
Une mesure statistique de « à quel point une valeur est loin de la normale ». Sert ici à repérer une dépense inhabituelle.
Alerte
Une notification déclenchée par une règle (budget dépassé, solde bas, anomalie).
LLM
Une IA type ChatGPT / Claude qui rédige l'analyse en langage naturel.
Repli statistique
Le plan B sans IA : l'analyse est produite par des calculs — l'outil marche toujours, sans dépenser de crédit API.
Explicabilité
Pouvoir justifier chaque décision automatique — essentiel en finance et en conformité.
Ce que ça montre de moi : je combine IA + automatisation sur un cas concret, avec le souci de garder le système explicable et robuste (il marche même sans IA). C'est l'esprit « automatiser un traitement de données ».
⌥ voir le code sur GitHub

📖 Glossaire — tous les termes en un coup d'œil

Pour réviser vite avant l'entretien. Chaque terme en une phrase compréhensible.

A — B
Agile / Scrum
Travailler par cycles courts (sprints) pour livrer vite et s'adapter.
Agrégation
Réunir des données de plusieurs sources en une seule vue.
Algorithmique
Écrire des suites d'étapes logiques efficaces pour résoudre un problème.
Allocation
La répartition cible de l'argent d'un portefeuille entre classes d'actifs.
Alpha
La sur/sous-performance d'un portefeuille vs son point de comparaison (benchmark).
API REST / JSON
La « prise » standard qui permet à deux logiciels d'échanger des données via le web.
Back-end
La partie serveur, invisible : logique + base de données.
Backlog
La liste priorisée de tout ce qui reste à construire.
Benchmark
Un point de comparaison pour juger une performance.
Big Data
Traiter des volumes de données énormes, variés et rapides (trop pour un simple Excel).
C — D
CSV
Un format de fichier tableau (comme un Excel en texte).
Catégorisation
Classer automatiquement chaque élément dans une catégorie.
Comparables
Valoriser une entreprise en la comparant à des sociétés similaires (multiples EV/EBITDA, P/E).
Corrélation
Est-ce que deux actifs bougent ensemble ? De −1 à +1.
Data engineering
Construire les « tuyaux » qui collectent, nettoient et rangent la donnée.
Data science
Extraire du sens des données : stats, modèles, prédictions pour décider.
DCF
Estimer la valeur d'une entreprise en actualisant ses flux de trésorerie futurs.
Diversification
Répartir pour ne pas dépendre d'un seul actif → moins de risque.
Drawdown (max)
La pire perte subie depuis un sommet.
E — L
ETF
Un panier coté qui réplique tout un indice en un seul achat.
ETL
Extract-Transform-Load : extraire, nettoyer, ranger la donnée.
États financiers
Compte de résultat (gains/dépenses) + bilan (possède/doit).
Explicabilité
Pouvoir justifier chaque décision automatique.
Flask
Un moteur Python pour construire le back-end d'un site web.
Front-end
La partie visible dans le navigateur (pages, boutons, design).
Full-stack
Maîtriser front + back + base de données.
Hachage
Transformer un mot de passe en empreinte irréversible (illisible).
IA (intelligence artificielle)
Faire faire à une machine des tâches « intelligentes » : reconnaître, prédire, générer.
Jinja2
Génère les pages HTML en y insérant les données.
Kanban
Organiser le travail en colonnes (À faire / En cours / Terminé).
LLM
Une IA type ChatGPT / Claude qui lit et rédige du texte.
M — R
Machine learning
Un modèle qui apprend des règles à partir d'exemples, au lieu qu'on les code à la main.
Moteur de règles
Des « si… alors… » explicables (par mots-clés).
ORM
Manipuler une base de données en objets Python au lieu de SQL brut.
pandas
Une « super-feuille Excel » pilotée par du code Python.
PD (probabilité de défaut)
Le % de chances qu'un emprunteur ne rembourse pas.
Product Owner
Le pont métier ↔ technique : décide quoi construire et dans quel ordre.
pytest
L'outil qui lance des tests automatiques du code.
Ratios financiers
Rapports entre deux chiffres qui révèlent la santé d'une entreprise.
Repli (fallback)
Un plan B automatique (ex. marcher sans IA).
Rééquilibrage
Revenir aux proportions cibles d'un portefeuille.
Ratio de Sharpe
Le rendement rapporté au risque pris (>1 = bon).
S — Z
Scoring
Noter automatiquement un risque à partir de critères chiffrés.
SQL
Le langage pour interroger une base de données.
SQLite
Une base de données légère, stockée dans un simple fichier.
Sprint
Un cycle de travail court avec un objectif à livrer.
Stress testing
Simuler un scénario catastrophe pour tester la solidité.
User story
Un besoin exprimé côté utilisateur (« En tant que…, je veux… »).
Valeur terminale
La valeur d'une entreprise au-delà de l'horizon de prévision.
Volatilité
À quel point un prix bouge : la mesure de base du risque.
WACC
Le taux qui sert à ramener des flux futurs à leur valeur d'aujourd'hui.
z-score
À quel point une valeur est loin de la normale (repère les anomalies).

Yacine Ouasti · entretien ESGI — Mastère IA & Big Data · tous les projets sont publics sur github.com/Yeekz · document personnel de préparation.