Jordan Sportes

Conception et optimisation de pipelines de données distribués avec PySpark et Polars, accompagnées de leur industrialisation via Apache Airflow. Mise en place d’une architecture data sur AWS avec gouvernance via Unity Catalog, et déploiement de traitements scalables sur Kubernetes. Implémentation de pratiques de qualité (tests automatisés, contrôles avec Great Expectations) et d’une CI/CD data avec GitHub Actions. Optimisation de flux complexes traitant jusqu’à 50 millions de records par jour.

Contexte : Problématique d’industrialisation de calculs d’optimisation Supply Chain au sein de Lacoste

Travaux réalisés :

-Après récupération d’un besoin métier complexe, mise en place d’un système de calcul de retard de livraison

-Classification des livraisons en retard, suivant les causes de ces retards possible

-Mise en place de visualisations Qlik avec lesquelles le métier peut interagir

Stack Technique : QLIK, PYTHON, PAPERMILL, POLYNOTE, DATABRICKS, AZURE, SNOWFLAKE

Contexte : Mission pour une société d’auto partage (prévision de leur réservations)

Missions réalisées :

-Réalisation d’un PoC pour une société d’autopartage

-Ingestion de données internes comme externes (open data)

-Mise en place de plusieurs modèles mathématiques

-Prédiction de l’évolution de leurs données