Johann Morales

Natixis est une filiale du groupe BPCE. En 2023, elle employait 16 000 collaborateurs pour un produit net bancaire de 9,2 milliards d’euros.

J'ai rejoint l'équipe Risques de Marché afin de participer au calcul de P&L.

L'équipe était composée de :

• 5 Data Engineers

• 2 Business Analysts

• 1 Chef de projet

En tant que Data Engineer, j'avais pour responsabilité :

• Le développement de nouveaux processus de calcul et intégration de nouvelles sources de données

• Le respect des SLAs définis en fonction de la zone géographique au niveau mondial

• L'optimisation des jobs Spark

• La migration sur Spark 3 pour améliorer la performance et réduire les temps de traitement

• La mise en place et maintenance de dashboards Power BI pour suivre la production

• L'automatisation et déploiement via CI/CD

• Le support et gestion de l’application en production, y compris les astreintes.

J'ai contribué aux évolutions suivantes :

• Réduction du temps de traitement de 30 %

• Amélioration de l'ordonnancement, permettant aux données d'être disponibles plus rapidement pour les décideurs

• Amélioration de la fiabilité et simplification du suivi de production

• Le rythme de rafraîchissement des rapports est passé au temps réel

• Le coverage du code a augmenté de 50%

Context technique : Spark, Scala, Python, PySpark, Databricks, Kafka, Cloudera, ElasticSearch, ELK, Control M, GitHub, Jenkins, SonarQube, Power BI, IntelliJ, Méthode Scrum, Unit tests, BDD

Natixis est une filiale du groupe BPCE. En 2023, elle employait 16 000 collaborateurs pour un produit net bancaire de 9,2 milliards d’euros.

J'ai rejoint l'équipe Risques de Marché afin de participer au calcul des réserves de marché.

L'équipe était composée de :

• 8 Data Engineers

• 3 Prototypeurs

• 1 Chef de projet

En tant que Data Engineer, j'avais pour responsabilité :

• Le décommissionnement des anciens calculs de réserve, obsolètes du point de vue de la méthodologie, mais aussi étant exécutés sur des outils voués à être retirés du groupe.

• Le développement et l'industrialisation des nouveaux calculs de réserve en collaboration avec les prototypeurs

• La mise en place de tests unitaires et tests d'intégration pour assurer la robustesse des développements

• L'optimisation des jobs Spark

• La gestion des déploiements et automatisation via la chaîne CI/CD

• Support et maintenance de l’application en production

J'ai contribué aux évolutions suivantes :

• Amélioration de la précision des calculs

• Réduction des erreurs de reporting

• Amélioration de la fiabilité et simplification du suivi de production

Context technique : Spark, Scala, Cloudera, Control M, GitHub, Jenkins, IntelliJ, Méthode Scrum, Unit tests, BDD

La Société générale est une des principales banques françaises et une des plus anciennes, fondée en 1864. Elle emploie aujourd'hui plus de 119 000 collaborateurs au service d'environ 26 millions de clients dans plus de 62 pays à travers le monde.

J'ai rejoint l'équipe Data Quality, afin de participer à la création d'un moteur de contrôle de données commun à tout le groupe.

L'équipe était composée de :

• 5 Data Engineers

• 2 Business Analyst

• 1 Scrum Master

• 1 Chef de projet

En tant que Tech Lead Data Engineer, j'avais pour responsabilité :

• La formation et accompagnement des équipes clients pour la réalisation de leurs contrôles de données

• L'optimisation du code extrait pour respecter les bonnes pratiques Spark

• Le développement de la suite de tests

• La refonte de l’application afin de simplifier la prise en main du framework par les clients

• La mise en place de la chaîne CI/CD pour automatiser les déploiements

• L'animation de workshops techniques

J'ai contribué aux évolutions suivantes :

• Gain de 75% en moyenne dans la performance des traitements

• Simplicité accrue de la prise en main du framework

• Renforcement de la stabilité du projet grâce aux tests et CI/CD

• Adoption du framework par plusieurs nouveaux clients

• Des centaines de nouveaux contrôles de données réalisés, renforçant la qualité des données au global dans le groupe

Context technique : Spark, Scala, Azure, Cloudera, Hortonworks, Ansible, GitHub, Jenkins, RedHat, IntelliJ, Méthode Scrum, Unit tests, BDD