Description

Je suis un Senior Data Engineer avec 8+ ans d'expérience, je conçois et industrialise des pipelines de données complexes sur GCP, AWS et Snowflake. Spécialisé sur dbt et Dagster, j'interviens sur des stacks data critiques chez des scale-ups et ETI qui ne peuvent pas se permettre de downtime.

💡 Ce que je peux vous apporter :

✅ Création et optimisation de Data Warehouses (Snowflake, BigQuery, Redshift)
✅ Mise en place de pipelines ETL robustes (Dagster, Airflow, dbt, Python, Airbyte)
✅ Automatisation et industrialisation des workflows data
✅ Optimisation des coûts et des performances sur le cloud
✅ Détection de fraudes et analyses avancées de données

🎯 Quelques résultats récents :

🔹 -30% de coût sur BigQuery grâce à une refonte des requêtes et de la modélisation.
🔹 +50% de rapidité sur le traitement des données avec un pipeline optimisé (Dagster + dbt).
🔹 Création d'une data stack complète sur GCP chez Lucca (CI/CD, BigQuery, dbt, Airbyte) en 1 mois.
🔹 Réduction des faux positifs en détection de fraudes pour un assureur, grâce à l'optimisation des algorithmes.
🔹 Automatisation des dashboards permettant d'avoir des données fiables pour le reporting du comité exécutif.

Avec 6+ ans d’expérience en data engineering, j’ai accompagné des startups (Qantev, Lucca) et grandes entreprises (Contentsquare, Richemont, Dior…) sur des projets stratégiques de modernisation et d’industrialisation des données.

👨‍💻 Stack technique :

🔹 Cloud : GCP, AWS, Azure
🔹 Orchestration : Airflow, Dagster
🔹 Transformation : dbt
🔹 Stockage & DWH : BigQuery, Snowflake, Redshift
🔹 Infra : Terraform, Docker, GitHub Actions
🔹 Langages : Python, SQL

📩 Besoin d’un expert pour optimiser votre architecture data ?

Contactez-moi et discutons de votre projet 🚀

Industry field of expertise

Languages

French
Native or bilingual
English
Native or bilingual

Workplace preferences

Remote only

Primarily works remotely

Neoen
Lead Data Engineer
ENERGY AND UTILITIES
July 2025 - Today (11 months)
Paris, France
Lead technique de l’équipe Energy Management (16 personnes), garant de la qualité, de la robustesse et de la scalabilité des développements.
Mise en place et maintien des bonnes pratiques de développement (tests, CI/CD, déploiements automatisés en staging & production via GitLab).
Administration et optimisation des déploiements Kubernetes (AKS) : gestion des pods, résolution d’incidents et amélioration de la disponibilité des applications 24/7.
Conception, développement et orchestration de pipelines de données robustes et évolutifs avec Dagster en collaboration étroite avec les Quantitative Analysts.
Implémentation d’une infrastructure as code avec Terraform pour gérer les ressources critiques (SQL Server, GitLab repositories, secrets Azure Key Vault).
Définition et diffusion des meilleures pratiques en matière de gestion des données, formation et accompagnement de l’équipe Energy Management.
Contribution active à la conception d’une architecture fiable, testable et sécurisée, en intégrant des mécanismes de monitoring et d’alerting pour garantir l’intégrité des données.

💡 Technologies : Azure, Dagster, Python, Terraform, GitLab, CI/CD, Kubernetes, SQL Server
Python SQL Kubernetes Microsoft Azure DevOps
Betclic
Senior Data Engineer
ENTERTAINMENT AND LEISURE
February 2025 - June 2025 (4 months)
Paris, France
Conception et déploiement de pipelines data liés aux problématiques de Rétention des utilisateurs.
Mise en place de processus d'ingestion, de modélisation et de transformation de données au sein d'un Data Lake basé sur Snowflake.
Automatisation et industrialisation du déploiement des pipelines data à l'aide d'Airflow et de pratiques CI/CD.
Rédaction technique et fonctionnelle de la documentation associée aux projets réalisés.

💡 Technologies : AWS, Airflow, dbt, Snowflake, GitHub
Snowflake Amazon Web Services Github Actions DBT Airflow
Qantev
Senior Data Engineer
BANKING AND INSURANCE
November 2024 - February 2025 (3 months)
Paris, France
Développement et déploiement d’un système backend pour appliquer les règles d’exclusion spécifiques aux assureurs, identifiant automatiquement les traitements non couverts et réduisant ainsi les efforts de validation manuelle des demandes.
Conception et mis en place des pipelines ETL avec Dagster pour extraire, transformer et intégrer les données clients dans la base de données, améliorant ainsi la fiabilité des données et leur accessibilité pour les équipes d’analyse.
Optimisation d’un modèle de détection de fraude, réduisant significativement les faux positifs et augmentant la précision de la détection, renforçant ainsi la confiance dans le système et minimisant les risques financiers pour les assureurs.
Refactorisation de la code base, modernisant les composants critiques du traitement des données et améliorant la maintenabilité, l’évolutivité et la performance d’exécution.
Mise en place de dbt avec duckdb afin de déterminer les règles de détection de potentielles fraudes automatiquement.

Stack technique : Azure, Dagster, Django, Python, Terraform, GitHub
Python Django Rest Framework Dagster