Zineb Lamrani

Contexte : Conception et mise en place des solutions pour l'analyse des données relatif au différent type de financement d'entreprise

• Modélisation et développement d'un framework ETL générique basé sur spark qui permet de produire des datasets, déployer des pipelines ETL via AWS Glue pour lire, transformer et écrire de la donnée en utilisant spark depuis différentes sources (s3, mongodb, athena, kafka etc ...) vers différentes cibles (s3, mongodb, athena, kafka etc ...)

• Templating d'applications (via cookiecutter) pour industrialiser et faciliter l'utilisation du framework par l'ensemble des équipes.

• Création de data pipeline pour les différents métiers (garantie, financement ...)

• Optimisation des flux de données

• Documentation d'architecture

• Analyse et calcul des KPIs pour les différents métiers (financement, garantie, innovation, digital…)

• Formation et accompagnement des développeurs juniors

• Rédaction des manuels d'utilisateurs

• Mise en production des applications et maintenance opérationnelle

Environnement technique : Python, Spark, Airflow, AWS (Athena, S3, Glue), Qlik Sense, Bash, Jupyter, Dataiku, Gitlab, Jenkins, SonarQube,

Datadog Outils de pilotage : Jira

Contexte : Mise en place d'une plateforme big data pour la prédiction, l'analyse des flux et pannes des trains « RER A » pour le département « Matériel roulant ferroviaire » :

• Extraction, transformation et analyse des ensembles de données complexes provenant de multiples sources en utilisant des outils tels que Python, Spark

• Modélisation, mise en place et maintenance des datasets des attributs du matériel roulant (pronostics, trafics, maintenance, fonctions …)

• Mise en place d'architecture et installation de Qlik Sense serveur en mode multi nœud

• Gestion de règles spécifiques d'équilibrage de charge sur l'ensemble des serveurs

• Développement de scripts d'automatisation pour la gestion des rechargements continues des applications métiers

• Analyse et calcul des KPI pour identification des précurseurs de pannes avec les key users

• Développement des tableaux de bord de gestion des flux, retard et pannes des trains en temps réel,

• Développement, évolution et maintenance des extensions pour des calculs spécifiques des KPI

• Gestion et animation des ateliers de travail avec les Key Users

• Mise en place du dictionnaire de données

• Rédaction des spécifications technico-fonctionnelles

• Formation et accompagnement des utilisateurs de différents niveaux pour la réalisation de leurs propres rapports de Data

Contexte : Mise en place d'une solution d'analyse et d'anticipation de tendance basée sur des algorithmes de Deep Learning pour les secteurs du luxe, de la mode et de la cosmétique. Réalisations :

• Rédaction des spécifications technico-fonctionnelles détaillées

• Conception et réalisation de projet data avec construction du processus de collecte, de traitement et de la pipeline de stockage,

• Modélisation et gestion des datasets (attributs, images, commentaires consommateurs, informations produites ...),

• Segmentation d'image via les modèles de deep learning, analyse de sentiment à partir des commentaires consommateurs,

• Gestion et animation des ateliers de travail avec les Key Users (les stylistes, les spécialistes des tendances, les influenceurs...),

• Développement des tableaux de bord produit (information produit, prix, description...),

• Développement et mise en place des tableaux de bord spécifiques de rapports à la demande à destination des designers, du marketing et des chefs de ventes (KPI marketing digital, analyse des prix de la concurrence ...) Environment technique: PostgreSQL, Python, Qlik sense, AWS, Scikit-Learn, Jupyter, Gitlab. Outils de pilotage : Jira