Mejdoubi M.

Mission : déploiement d'un assistant GenAI d'analyse stratégique permettant aux équipes Corporate Strategy d'interroger en langage naturel un corpus hétérogène (rapports sectoriels, données de marché, KPIs).

environnement technique : Python · LangGraph · OpenAI · Milvus · RAG

Design et déploiement d'une CDP cloud sur Azure Databricks : ingestion multi-sources (ERP, CRM, IoT, terrain), architecture Médaillon (Bronze/Silver/Gold), vues Customer 360°. Définition du modèle de données et gouvernance (qualité, ownership, data dictionary).

- Segmentation retailers multi-critères : scoring transactionnel + potentiel géographique + variables socio-économiques → réallocation force de vente, priorisation visites, optimisation assortiment

- Clustering points de vente actifs pour recommandations gamme (assortiment, frigos)

- Scoring high-traffic zones : performance interne + potentiel externe

- Segmentation RFM dynamique avec suivi temporel des segments

Architecture end-to-end sur données capteurs IoT : ingestion, calcul de KPIs (taux d'ouverture, température, planogramme), intégration CDP. Système d'alerting automatisé par détection d'anomalies → interventions proactives terrain, amélioration de la profitabilité de la flotte.

Stream Lead sur l'implémentation d'une plateforme d'intelligence commerciale centralisée (UVE). SME sur les fonctions de recommandation AI & suggested orders intégrées à l'app de commande digitale (Super App).

Pilotage de dashboards PowerBI Part de Marché pour le CoDir multi-pays (Maroc, Algérie, Ghana) : benchmarks concurrentiels, KPIs Nielsen, performance commerciale.

Manager Data Science & Lead Technique| Oct 2019 – Déc 2023

Mission : créer la fonction Data Science interne au sein de la direction connaissance clients (pricing, geomarketing, études de marché, data science)

& industrialiser des use cases ML à fort impact Marketing & Commercial au sein de la stack big data (cloudera bigdata platform)

Recrutement et montée en compétence d'une équipe Data Science interne from scratch.

Stream Lead sur le delivery de 6 use cases ML en production (équipe mixte interne + externe). Contribution à l'architecture plateforme : ingestion batch & streaming, modèle de données unifié.

-Churn Prediction (Prépayé): gradient boosting sur features CDR, scoring mensuel ~10M clients → intégration campagnes rétention CRM

-Customer Lifetime Value: modèle prédictif CLV → traitement différencié (service, réseau, promo)

-Social Network Analysis: modélisation des interconnexions clients (GraphX), détection d'influenceurs, prévention churn par contagion

-Propensity Models: scoring appétence multi-produits (data, bundle famille, upgrade) → optimisation campagnes outbound

-Lifecycle ML-driven: séquencement automatisé acquisition / activation / rétention / win-back piloté par scores ML

Stack: Cloudera · PySpark · MLlib · MLFlow · scikit-learn · NetworkX · Python · Hive · SAS