Meryll Levet

Contexte: Création d'une solution de référentiel de client in-house (MDM)

- développement d'API en fastAPI

- application des designs d'architecture: microservice et clean architecture

- gestion et optimisation de la base de données snowflake et création des modèles de données.

- mise en place de bonnes pratiques (code, tests, CI/CD) et processus agiles pour garantir qualité et efficacité des livrables.

- gestion des ressources

- déploiement du service bus (mode topic)

- déploiement de l'api management

- déploiement d'azure fonction

- mise en production des API sur le cloud snowflake

- gestion des pipelines CI/CD

- application des principes SRE.

Impact : Migration d'une solution MDM "off-the-shelf" vers notre solution in-house.

Gestion des clients en temps réel (anciennement en batch)

Augmentation de la fiabilité du référentiel client de 40%

Réduction des erreurs de traitement de 20%

- Encadrement d’équipe : Gestion quotidienne de l’équipe Data, garant de la qualité technique des livrables.

- Leadership technique : Accompagnement des Data Engineers sur les bonnes pratiques de développement, standardisation de la base de code (linting, tests, revues, intégration continue).

- Responsabilité des projets : Design, développement et optimisation des architectures Data Platform pour répondre aux besoins.

- Optimisation : Optimisation des coûts d’infrastructure tout en assurant la sécurité, la conformité et la gouvernance des données

- Industrialisation de l'infrastructure : Conception, déploiement et maintien d’une plateforme Data hybride (on-premise et GCP), avec gestion d’infrastructure as code (Terraform, Ansible).

- Automatisation : Maîtrise de la conteneurisation, mise en place et gestion des pipelines CI/CD pour garantir une intégration continue efficace.

- Maintien en condition opérationnelle : Suivi des bonnes pratiques SRE (monitoring, alerting, SLOs) pour assurer la fiabilité et la sécurité des systèmes en production avec gestion des incidents

- Développement de pipelines : Conception et développement de pipelines de données (batch et streaming) sur Kafka, Dataflow, BigQuery, Cloud Functions et autres technologies GCP.

- Optimisation des coûts et performances : Amélioration continue des pipelines de transformation et de leurs performances

- Gestion des données: Gestion des bases de données OLAP et OLTP (BigQuery, Postgres, SQL Server) et des modèles de données pour assurer performance et scalabilité.

Impact : Transformation d’un projet majeur avec migration réussie vers le cloud, optimisation des coûts et des performances, et garantie de la fiabilité des plateformes en production

- Développement de pipelines : Conception et développement de pipelines de données (batch) pour les algorithmes de ML

- Déploiement de solution ML: développement et mise en production d'algorithmes avancés : CNN, LSTM

- Maintien en condition opérationnelle: avec gestion des incidents en production

- Automatisation: mise en place de l’intégration continue pour assurer la qualité et la fiabilité des livrables

- Développement logiciel: Conception et développement de codes pour des systèmes embarqués avec architecture "event-driven"

- Qualité des livrables: mise en œuvre des bonnes pratiques de développement dans l’équipe (linting, test, review)

Impact : Amélioration de l’expérience utilisateur sur les recommandations musicales proposées par le produit, conduisant à une augmentation de 10% du NPS (Net Promoter Score)