Diego Negrier

• Mise en place et structuration d’un catalogue de données pour centraliser, inventorier et faciliter l’accès aux ressources de données de l’entreprise.

Conception et enrichissement continu d’un dictionnaire des données permettant une meilleure gouvernance et compréhension des actifs informationnels.

Élaboration et mise en œuvre de processus de gestion de la qualité des données, incluant des contrôles automatisés, des règles de validation et des indicateurs de qualité.

Définition et implémentation de modèles d’architecture de données scalables, assurant la performance, la sécurité et l’évolutivité des systèmes d'information.

Au sein du service marketing, mes missions visaient à améliorer les produits marketing et centraliser des données qui se trouvaient dans différentes bases de données en vue de créer de la valeur ajoutée. L'enjeu fort de cette collaboration était d’accompagner le service marketing dans ses objectifs de croissance en lui permettant de mieux connaître ses cibles (lecteurs), de les fidéliser, d’offrir de nouveaux produits, et de recruter de nouveaux clients

Architecte Data

L’implémentation d’une architecture de données scalable et flexible, basée sur Google Cloud Platform (GCP). Développement de pipelines de traitement de données en Python pour intégrer de nouvelles sources de données de manière continue, alimentant ainsi un entrepôt de DONNÉES centralisé.

Analyste Data

En exploitant ces données enrichies, développement de modèles prédictifs pour segmenter les clients et personnaliser les campagnes marketing. Création de tableaux de bord interactifs (Looker) pour suivre la performance des campagnes et mesurer l'impact des actions engagées. Mise en place d’un moteur de recommandation personnalisé (Flask) pour proposer des contenus ciblés aux lecteurs via le site internet du média mais également aux utilisateurs métiers via une application.

Ma mission principale reposait sur la mise en place d’un environnement data afin de traiter les données locales, et notamment de détecter les anomalies, mais aussi d’accompagner les métiers dans leur prise de décision grâce à des outils clés en main. L’évolution des réglementations sur le régime de retraire impacte la gestion des données et complexifient la compréhension et cohérence de ces données.

Gouvernance Data

Définition et création d'une méthodologie de gestion de la qualité de la donnée (AMDEC).

Définition de processus qualité des données (cohérence, intégrité, priorisation)

Conduite du changement : organisation de réunions entre les métiers et le service dédié à la qualité de la donnée, explication de la feuille de route aux équipes.

Gestion des référentiels : création d'une méthodologie incluant le dictionnaire des données, la cartographie des données.

Défis humains et techniques : identification des défis humains et techniques liés à la conduite du changement.

Architecte Data

Conception de l'architecture de données : réflexion en amont sur la modélisation des données (quelles données, quelles sources, quelle forme).

Modélisation des différentes sources de données : création d'une table évolutive

Analyste Data

Analyse de données : identification des leviers d'optimisation pour traiter les anomalies de la donnée (méthode Pareto).

Création de Notebook statistiques et graphiques des data frames, Notebook d'analyses des dates de chevauchement.

Utilisation d'outils analytiques : création d'outils adaptés aux profils techniques des collaborateurs - utilisation de SQL (Hadoop) pour les analyses de données.

Support aux métiers : création d'une documentation adaptée à des utilisateurs aux profils variés mais non techniques.

Création d'applications Flask permettant d'afficher les indicateurs clés.