Kathy Chhean

🔬 1. Stratégie de Marque & Positionnement (Pour FunnelUP)

• Analyse de marché : Audit ciblé des experts en tunnels de vente sur Instagram pour cartographier la concurrence, affiner l'ICP (Ideal Customer Profile) de l'agence et faire émerger son originalité.
• Identité visuelle & Web : Création des maquettes Figma pour le propre site web de l'agence et conception des assets visuels pour leurs canaux d’acquisition (Instagram, Social Ads).

🎨 2. UX/UI Design axé Conversion (Pour les clients de l'agence)

• Design de Tunnels de Vente : Conception sur Figma de landing pages et pages de capture haute fidélité pour des profils variés (coachs sportifs/mentaux, formateurs techniques).
• Synergie Growth : Alignement des parcours UI avec la stratégie de contenu globale (copywriting, ghostwriting de newsletters) pour maximiser le taux de conversion (CRO).

🚀 3. Intégration No-Code & Approche Mobile-First

• Intégration Systeme.io : Traduction rigoureuse des maquettes Figma sur l'outil, en contournant les limites techniques de la plateforme pour préserver l'esthétique et l'utilisabilité.
• Optimisation Responsive : Alignement mobile-first complet, indispensable pour convertir le trafic provenant de l'acquisition organique (Instagram) et payante (Ads).

🤖 1. Benchmark & Deep Learning

• Évaluation d’architectures : Étude comparative et implémentation de modèles de pointe : DETR (Transformers via Hugging Face), YOLOv8 (Ultralytics) et RetinaNet.
• Analyse de performance : Évaluation de la précision des bounding boxes et de la robustesse des modèles face à une forte densité d’objets en rayons.
• Choix technologique : Sélection de YOLOv8 pour sa rapidité d'inférence et sa pertinence en conditions industrielles en temps réel.

📊 2. Stratégie Low-Data & Pipelines

• Impact du volume de données : Création de scripts pour tester les performances du modèle sur des paliers très restreints (de 5 à 40 images par classe sur le RPC Dataset).
• Data Augmentation : Implémentation de pipelines d’augmentation d’images (rotations, normalisations) afin de maximiser l'apprentissage en contexte low-data.
• Suivi des métriques : Analyse rigoureuse des résultats via les courbes Precision-Recall, F1-Score et mAP (mean Average Precision).

🔮 3. Recommandations d’Architecture & Vision R&D

• Modèle hybride (Ensemble) : Proposition d'une architecture dissociant la détection de zones d'intérêt (YOLOv8) et la classification fine des produits (ResNet/EfficientNet).
• Génération synthétique : Étude de viabilité pour enrichir l’entraînement via des données virtuelles sans surcoût de collecte.

📈 Projet 1 : Refactoring & Optimisation UI/UX d'un Dashboard (Python Dash)

• Ergonomie UI/UX : Refonte graphique complète (callbacks dynamiques, lisibilité des volumes en milliards, harmonisation des chartes).
• Anonymisation API : Intégration de filtres multi-sélections pour automatiser l'anonymisation des flux brokers via l'API de production (Virtu Financial).
• Data Productivity : Module sur-mesure d'extraction de données et génération automatique de rapports graphiques (Plotly/PNG) vers Excel en un clic.
• Data Quality : Normalisation et nettoyage de bases de données historiques (gestion des valeurs manquantes, traitement des anomalies).

📊 Projet 2 : Automatisation & Aide à la Décision (Bloomberg BQuant)

• Product Ownership du Widget : Simplification du parcours utilisateur (remplacement de la saisie manuelle par des contrôles et boutons dynamiques interactifs).
• Pipeline de Notification : Génération automatique de rapports (HTML/PDF) enrichis par les commentaires des traders pour des envois d'e-mails automatisés.
• Robustesse technique : Gestion des exceptions complexes (dataframes vides, restrictions proxy d'entreprise, authentification par token d'API).