Recherche alternance — Septembre 2026 | Mobilité : toute la France

El Ghali Sany

Financial Data Scientist et Analyste Quant, spécialisé en modélisation financière multi-scénarios (ROI, CAPEX, OPEX, TCO) et Data Science appliquée. Autodidacte en Python et Machine Learning, avec une expérience pratique en trading algorithmique. Je conçois des modèles d'investissement, des dashboards décisionnels et des pipelines d'automatisation pour amplifier la performance de vos équipes.

Télécharger mon CV Me contacter
Portrait d'El Ghali Sany

Expériences professionnelles chez

SAN MAROC 2ACOM MAGHREBAIL
Parcours

Expériences professionnelles

3 stages en finance et data analytics, du pilotage de portefeuilles à la modélisation stratégique.

Fév. 2026 – Août 2026 Casablanca / France (à distance)

SAN MAROC

Business Analyst — Performance Financière

  • Analyse de portefeuilles clients (encours, impayés, encaissements) dans un marché de 97,9 Mds MAD de créances en souffrance — segmentation par ancienneté, montant et probabilité de recouvrement.
  • Conception de dashboards décisionnels sous Excel pour le pilotage des KPIs stratégiques (DSO, CEI, taux de récupération par tranche).
  • Automatisation du reporting via VBA/PowerQuery, réduisant le temps de production de 2 heures par cycle et augmentant la capacité de traitement.
  • Formulation de recommandations opérationnelles à la direction — posture d'analyste décisionnel, non exécutant.
Mai 2025 – Juil. 2025 Casablanca, Maroc

2ACOM

Business Analyst — Performance & KPIs

  • Structuration d'un système de pilotage couvrant 5 zones de marché et développement d'un Indice de Rentabilité Potentielle intégrant 15+ variables.
  • Construction d'un modèle financier prospectif sur 5 ans (ROI, CAPEX, OPEX, TCO).
  • Réalisation d'analyses multi-scénarios pour prioriser les investissements de la direction.
Juil. 2024 – Août 2024 Casablanca, Maroc

MAGHREBAIL

Analyse & Reporting — Portefeuilles Clients & Risque

  • Évaluation de la performance financière et de l'exposition au risque sur plus de 20 portefeuilles clients.
  • Standardisation des processus de reporting pour améliorer la fiabilité des données internes.
  • Contribution au suivi analytique des engagements clients.
Business Cases

Projets quantitatifs

De la modélisation financière à l'analyse spatiale — trois projets de création de valeur mesurable, issus d'une étude de 155 pages.

Consulter l'étude complète (PDF)
01 Modélisation Financière

Modélisation d'Investissement Publicitaire sur 5 ans (OOH vs DOOH)

Comparaison de la rentabilité financière entre affichage statique (OOH) et affichage numérique (DOOH) pour 2ACOM. Modèle Excel intégrant CAPEX, OPEX, amortissement et Total Cost of Ownership (TCO) sur 4 scénarios croisés.

Cas présenté à titre démonstratif. Les valeurs financières ont été reconstruites et partiellement anonymisées pour des raisons de confidentialité.

Méthodologie

Excel Financial Model CAPEX / OPEX Amortissement linéaire TCO sur 5 ans Cash-flows projetés VAN Seuil de rentabilité

Résultats — Comparaison ROI sur 5 ans

OOH Affichage statique traditionnel · DOOH Affichage numérique digital
Premium Emplacement à fort trafic · Secondaire Emplacement périphérique
Scénario Revenus 5 ans TCO 5 ans Bénéfice Net ROI
OOH Premium 1 664 000 MAD 345 000 MAD 1 319 000 MAD 382 %
OOH Secondaire 998 400 MAD 215 000 MAD 783 400 MAD 364 %
DOOH Premium 6 333 600 MAD 1 000 000 MAD 5 333 600 MAD 533 %
DOOH Secondaire 3 800 160 MAD 750 000 MAD 3 050 160 MAD 407 %
Structure TCO & Amortissement
Support CAPEX OPEX / an TCO 5 ans Amort. / an
OOH Premium 120 000 45 000 345 000 24 000
OOH Secondaire 90 000 25 000 215 000 18 000
DOOH Premium 450 000 110 000 1 000 000 90 000
DOOH Secondaire 350 000 80 000 750 000 70 000
533 % ROI max (DOOH Premium)
≈ 5 sem. Seuil de rentabilité
5,3M MAD Bénéfice net max sur 5 ans
4 Scénarios croisés modélisés
02 Simulation & Data Spatiale

Simulation de Mobilité Urbaine et Analyse Spatiale (Casablanca)

Extraction du réseau routier via OpenStreetMap, simulation de trafic véhiculaire avec SUMO et cartographie des flux sur QGIS pour évaluer l'attractivité commerciale des axes publicitaires.

Sources utilisées : données ouvertes, simulations synthétiques et indicateurs agrégés. Aucune donnée personnelle ou trace individuelle n'est exposée.

Méthodologie

OpenStreetMap (extraction réseau) SUMO (simulation trafic) QGIS (cartographie) Détecteurs virtuels Analyse de débit (veh/h)
Profilage des zones stratégiques analysées
Zone Fonction Économique Profil d'Audience Valeur Immobilière
Triangle d'Or / Anfa Luxe, Finance, Services Haut de Gamme CSP+, Cadres, Expatriés ◆ Très Élevé
Axe Zerktouni / Mohammed VI Transit, Commerce de Proximité Navetteurs, Actifs ▲ Modéré à Élevé
Sidi Maarouf (Casanearshore) Technologie, Offshoring Jeunes Actifs, Tech ◆ Élevé
Hay Hassani Résidentiel, Commerce de Masse Familles, Résidents ↗ En Croissance

Impact mesuré — DOOH vs OOH (Sources: IPSOS, Nielsen, Clear Channel)

Métrique Statique (OOH) Dynamique (DOOH)
Mémorisation publicitaire 44 % 75 % (+70 %)
Impact sur les ventes +9 % +16 %
Efficacité globale Référence +17 à +18 %
4 zones Profilées économiquement
+70 % Mémorisation DOOH vs OOH
SUMO Simulation trafic calibrée
03 Développement de KPI

Indice de Rentabilité Potentielle (IRP)

Construction d'un indice multicritère pondéré (Audience 40 %, Coût CPM 30 %, Revenu ROAS 30 %) pour classer les 10 meilleurs emplacements publicitaires de Casablanca par rentabilité potentielle.

Indice reconstruit pour portfolio à partir de variables agrégées. Les pondérations et valeurs affichées ont une finalité pédagogique et démonstrative.

Méthodologie

Scoring multicritère pondéré Trafic routier (SUMO) Données démographiques HCP Prix immobiliers CPM / ROAS 15+ variables

Classement IRP — Top 10 Emplacements Stratégiques

# Emplacement Type Recommandation Audience Coût Revenu Score IRP
1 Façade Morocco Mall Façade Géante DOOH 10 7 10 9.1
2 Rond-Point des Sports Unipôle DOOH 9 8 9 8.7
3 Axe Autoroutier A3 Unipôle Géant DOOH 10 9 7 8.5
4 Bd d'Anfa (Quartier Affaires) Façade DOOH 8 7 9 8.0
5 Place des Nations Unies Mobilier Urbain DOOH 9 6 8 7.8
6 Gare de Casa-Port Écrans Intérieurs DOOH 8 7 8 7.7
7 Corniche (Ain Diab) Unipôle OOH/DOOH 7 8 7 7.3
8 Boulevard Zerktouni Unipôle OOH 8 8 6 7.2
9 Sortie Marjane Californie Panneau 4x3 OOH 7 9 6 7.0
10 Bd Mohammed V Panneau 4x3 OOH 7 8 5 6.7
15+ Variables socio-économiques
9.1 / 10 Score IRP max (Morocco Mall)
10 Emplacements classés
3 Critères pondérés

Livrable en entreprise

Pilotage Analytique de la Performance — SAN MAROC

Exemple de livrable reconstitué à partir de missions de stage en analyse financière. La structure présentée illustre une logique de segmentation de portefeuilles, de suivi de KPIs (DSO, CEI, taux de récupération) et d'automatisation du reporting, sans reproduire un document interne d'entreprise.

Télécharger le dashboard Excel démo
−2h Par cycle hebdomadaire
DSO Réduction délai moyen de paiement
DSO, CEI Adopté par la direction
Mission Problème stratégique KPI impacté Impact stratégique
Analyse portefeuille Explosion NPL (97,9 Mds MAD) CEI Priorisation rentable des dossiers
Suivi encours Allongement DSO (90–120 jours) DSO Accélération des encaissements
Dashboard Excel Exigence reporting clients Taux rétention Crédibilité analytique
Reporting périodique Pression concurrentielle Commission recouvrée Justification de la performance
Recommandations Menace substitution (affacturage) Positionnement Passage de prestataire à conseiller
dashboard_demo.xlsx — Weekly Dashboard Preview
Encours Total 12 445 000 MAD +3.2%
DSO Moyen 53.8 jours −4j vs S-1
CEI Hebdo 28.1% +1.8 pts
Taux Récupération 76.8% +2.1 pts
CompteEncoursDSOScorePriorité
Compte A680 00028j7.9Faible
Compte B1 178 00032j7.4Faible
Compte C2 437 00043j5.2Moyenne
Compte D982 000108j4.4Haute
+ 6 autres comptes anonymisés...

* Version démonstrative : données, noms et indicateurs reconstitués ou anonymisés. Aucun fichier interne ni donnée client réelle n'est diffusé.

Urban Intelligence

Leaflet/SUMO Traffic Lab

Une interface interactive qui relie simulation SUMO, carte Leaflet et lecture financière des emplacements urbains.

Pourquoi cette partie renforce le portfolio

Elle transforme un projet académique en démonstrateur visuel : le recruteur voit directement la capacité à connecter données géospatiales, flux de mobilité, KPIs et décision d’investissement.

Leaflet.js 1.9.4 leaflet.heat SUMO FCD OpenStreetMap QGIS CAPEX / OPEX

Ce que le lab montre

Le module affiche les zones, la densité de trafic, les véhicules simulés et les indicateurs utiles pour relier attractivité commerciale et rentabilité potentielle.

5zones Casablanca
2modes : heatmap / simulation
JSONdonnées SUMO prêtes à charger
Maârif Loading SUMO heatmap...
Low concentration
Medium
High
Slow
Medium
Fast
POINTS
—
VEHICLES
—
STEPS
—
AVG SPEED
—
Heatmap based on geo-corrected SUMO FCD outputs. Switch to Simulation to display vehicles step-by-step.
FCD → GPS SUMO .net.xml 5 Casablanca zones

[LIMITATION] Pour afficher les vraies couches, place les fichiers JSON SUMO dans le même dossier que cette page. Si les fichiers manquent, le module affiche une simulation de démonstration afin d’éviter une carte vide.

Decision Intelligence

AI-MCDM Investment Scoring for Smart Cities

Une extension stratégique du projet Casablanca : passer de l’analyse d’emplacements publicitaires à un scorecard d’investissement pour infrastructures urbaines intelligentes.

Ouvrir le document AI-MCDM

Problème traité

Les décisions d’investissement smart-city sont souvent comparées avec des indicateurs financiers isolés. Le scorecard proposé combine logique financière, exposition carbone, scénario énergétique et risque géoéconomique pour produire un classement plus défendable.

NPV / IRR / Payback TCO Carbon-cost exposure Geoeconomic risk MCDM / MCDA

Sortie décisionnelle

Le résultat attendu est un ranking auditable : chaque projet reçoit un score composite, mais le lecteur peut aussi voir quelles variables expliquent le classement.

[ASSUMPTION] Le mini-lab ci-dessous illustre la logique du scorecard ; les valeurs affichées sont démonstratives et doivent être remplacées par les données réelles du PDF ou d’un dataset projet.

Layer 01

Variables financières

ROI, VAN, TRI, délai de récupération et Total Cost of Ownership pour mesurer la robustesse économique.

Layer 02

Scénarios externes

Prix de l’énergie, coût carbone et chocs géoéconomiques intégrés comme variables de stress-test.

Layer 03

Pondération multicritère

MCDM / MCDA pour pondérer les critères au lieu de dépendre d’un seul indicateur financier.

Layer 04

Ranking explicable

Classement final, justification des arbitrages et lecture claire des projets sensibles au carbone ou au risque.

Utilise les curseurs pour voir comment le classement change quand le carbone ou le risque deviennent plus importants dans la décision.

Compétences

Compétences clés

Finance & Modélisation

Business cases multi-scénarios ROI / CAPEX / OPEX / TCO Analyse des écarts Analyse des risques Évaluation du risque de crédit Prévision des flux de trésorerie Évaluation d'investissements

Data Science & Outils BI

Python (autodidacte) SQL (requêtes de base) Machine Learning Régression & classification Excel avancé (TCD, macros, VBA) Power Query Power BI QGIS SUMO Trading algorithmique

Méthodes & Soft Skills

Structuration de KPI Reporting analytique Tableaux de bord exécutifs Prompt engineering Esprit de synthèse Autonomie Télétravail (Teams, Zoom, Drive)
Formation

Parcours académique

INSEEC Paris

MSc Marchés Financiers, Trading & Risk Management

Sept. 2026 – Sept. 2028

INSEEC Lyon

MSc Procurement & Supply Chain Management

Oct. 2025 – Août 2026

Université Internationale de Casablanca

Licence Management, Finance & Comptabilité

Sept. 2022 – Juil. 2025

Mention Très Bien
Langues

Compétences linguistiques

Français

Niveau C2 — Supérieur avancé

TCF 693/699 (2025 — validité 2027)

Arabe

Langue maternelle

Anglais

Bilingue

TOEFL 90/120

Engagement civique

Engagements Associatifs

Confidentialité

Data Ethics & Confidentiality

Une partie essentielle de mon travail consiste à protéger la donnée, contextualiser les analyses et ne jamais exposer de livrables sensibles.

Les études de cas présentées dans ce portfolio reposent sur des données anonymisées, simulées, agrégées ou issues de sources publiques. Les noms d'entreprises sont mentionnés uniquement pour situer le contexte professionnel ou académique.

Aucune donnée client réelle, aucun email, identifiant personnel ou document interne n'est publié.

Les chiffres financiers, KPI et modèles visibles ont été reconstruits ou partiellement modifiés à des fins de démonstration.

Les projets géospatiaux et de simulation s'appuient sur des données ouvertes, des hypothèses de recherche et des flux synthétiques.

Cette approche vise à respecter les standards de confidentialité, de protection des données et de secret des affaires attendus en finance, data et conseil.

Contact

Travaillons ensemble

Disponible pour échanger sur une alternance en analyse financière, modélisation, pilotage de performance ou data analytics.

Disponible en alternance dès septembre 2026 — Mobilité : toute la France
sanyghali@gmail.com +33 7 81 95 70 70 LinkedIn Portfolio