Malek Idri

Missions clés : Conception et optimisation d'infrastructures data scalables, garantissant la qualité, la gouvernance et la disponibilité des données pour des décisions data-driven. Réalisations & Compétences ✅ Architecture de pipelines data Conception et maintenance de pipelines ETL/ELT performants (Python, DBT, Airflow) pour traiter des volumes de données variés. Développement de connecteurs API/webhooks pour synchroniser des systèmes hétérogènes, améliorant l'intégration des données. ✅ Gestion d'entrepôts de données & gouvernance Optimisation de l'entrepôt Snowflake (modélisation, coûts, performances) et mise en place de règles de gouvernance (metadata, lineage, qualité). Automatisation de la surveillance des données grâce à des alertes proactives. ✅ DataOps & Industrialisation Déploiement de solutions conteneurisées (Docker) pour des environnements reproductibles et scalables. Documentation exhaustive des pipelines et bonnes pratiques, accélérant l'onboarding des nouveaux collaborateurs. ✅ Collaboration transverse Travail étroit avec les équipes Data Business pour opérationnaliser des modèles ML (ex. : optimisation de rendement financier). Support aux analystes via la mise à disposition de datasets fiables et documentés. Stack technique : Python, SQL, Apache Airflow, DBT, Snowflake, Docker, Azure, AWS. En veille active sur les innovations du secteur (Data Mesh, streaming, etc.) pour proposer des solutions modernes.

Objectifs : Création et maintien des pipelines de données dans la Data Factory Orange France. -Création de workbench avec SSIS et T-SQL depuis le DATA lake "Hube Data" -Création de jobs et ordonnancement -Exploitation/Visualisation Power BI/SSAS -Maintien et amélioration de la chaîne de livraisons de données.

Projet Data, mené en équipe dans le cadre de la formation Data Engineer. Objectifs :"Prédire si un client est amené à quitter la société"

- Exploration et sélection des données sous Python avec Numpy et Pandas

- Data Cleaning, Oversampling et Visualization avec sklearn

- Entrainement et évaluation des modèles de Machine Learning

- Développement d'APIs Python avec FastAPI

- Automatisation des tests avec PyTest

- Création de conteneurs Docker

- Orchestration via Kubernetes sur plusieurs pods sous AWS

- Création d'une BDD Neo4J et implémentation FlaskAPI