À propos de moi

Contexte client

Intervention dans le cadre d’un organisme de formation spécialisé en Data Engineering, avec des projets pédagogiques reproduisant des environnements clients réels : cas d’usage entreprise, contraintes de delivery, qualité et performance.

Description du projet

Accompagnement et encadrement de projets Data Engineering couvrant l’ensemble du cycle de vie de la donnée : ingestion, transformation, stockage et exposition, dans des contextes simulant des problématiques métiers concrètes.

Description de l’équipe

Collaboration avec une équipe de formateurs et d’intervenants techniques, en interaction avec des apprenants en formation intensive, principalement des profils en reconversion ou en montée en compétences de niveau Bac+4/5.

Tâches réalisées

• Encadrement technique de travaux pratiques et de projets data.
• Accompagnement sur des architectures data : pipelines, APIs et stockage.
• Correction de plus de 50 études de cas.
• Validation de la qualité technique et fonctionnelle des livrables.
• Support à la montée en compétences sur des stacks data modernes.

Points clés

• Environnement à forte contrainte de temps dans un programme intensif.
• Exigence de qualité et de standardisation des livrables.
• Manipulation de données variées et de scénarios proches du réel.
• Adaptation à des profils hétérogènes.
• Transmission pédagogique et vulgarisation technique.

Différenciateurs

• Vision globale du cycle de vie de la donnée.
• Capacité à analyser, corriger et améliorer des architectures existantes.
• Pédagogie et communication avec des profils techniques et non techniques.
• Volume important de cas traités, permettant un recul opérationnel solide.

Résultats

100% de réussite.

Environnement technique

Python, SQL, Kafka, Spark, APIs REST, Docker, AWS, Power BI et Streamlit.

Environnement fonctionnel

Data Engineering, DataOps, analytics, structuration de données et pipelines décisionnels.

Contexte client

Intervention au sein du département Usine Numérique Data, en charge de la digitalisation et de la valorisation des données de production. Projet inscrit dans un programme visant à améliorer la connectivité des moyens de production au réseau industriel.

Description du projet

Conception et mise en oeuvre d’une application web de cartographie des moyens de production, destinée à améliorer la visibilité, la gestion et l’exploitation des équipements connectés, pour environ 50 utilisateurs.

Description de l’équipe

Collaboration avec des équipes pluridisciplinaires dans un contexte de transformation digitale.

Tâches réalisées

• Conception UX/UI avec Figma.
• Modélisation de base de données MongoDB.
• Développement backend avec Node.js, Express et API REST.
• Développement frontend avec Next.js et intégration des appels API via Axios.
• Mise en place d’une pipeline CI/CD avec GitLab CI.
• Conteneurisation avec Docker et gestion des images.
• Mise en place de tests unitaires, d’intégration et de performance avec Jest et Supertest.
• Analyse statique et qualité du code avec ESLint et SonarQube.
• Tests de charge et simulation de trafic : load balancing et requêtes simultanées.
• Déploiement sur AWS et gestion des environnements.
• Analyse des incidents et amélioration continue.
• Contribution à la mise en place d’outils de monitoring avec Grafana et Prometheus.

Points clés

• Environnement industriel critique avec exigences de performance et de disponibilité.
• Projet de bout en bout : conception, production et maintenance.
• Contraintes fortes sur la qualité logicielle et la fiabilité.
• Travail en collaboration avec des équipes métiers non techniques.

Différenciateurs

• Capacité à délivrer une solution complète en autonomie.

Résultats

• Mise en production d’une application utilisée par environ 50 utilisateurs.
• Réduction du time-to-delivery grâce à l’industrialisation CI/CD : environ -50%.
• Amélioration de la stabilité applicative et de la supervision.

Environnement technique

Figma, MongoDB, Node.js, Express, API REST, Next.js, Axios, GitLab CI, Docker, Jest, Supertest, ESLint, SonarQube, AWS, Grafana et Prometheus.

Environnement fonctionnel

Usine numérique, connectivité industrielle, données de production, cartographie des équipements et supervision applicative.

Contexte client

Intervention au sein d’un programme transverse visant à réduire la complexité industrielle liée à l’introduction de nouveaux produits, en facilitant l’accès et la valorisation des données à l’échelle de plusieurs directions.

Description du projet

Conception et mise en place d’un tableau de bord décisionnel permettant de centraliser des indicateurs clés issus de plusieurs sources de données afin d’améliorer la prise de décision.

Description de l’équipe

Collaboration avec des équipes métiers variées : produits, supply chain, qualité, R&D et ventes, dans un environnement multi-domaines orienté performance.

Tâches réalisées

• Conception et développement de dashboards Power BI.
• Identification des indicateurs métiers pertinents.
• Automatisation et orchestration des flux via Python, Power Automate, Power Apps et Dynamics 365.
• Centralisation des données dans Microsoft Fabric : OneLake et Lakehouse.
• Intégration, transformation et consolidation de données multi-sources.
• Mise en qualité des données et fiabilisation des indicateurs.
• Analyse des besoins métiers et traduction en solutions data.
• Recommandations d’architecture orientées décloisonnement des données : data mesh.

Points clés

• Données hétérogènes issues de plusieurs domaines.
• Centralisation et valorisation des données.
• Enjeux de gouvernance et de décloisonnement.
• Forte interaction avec les équipes métiers.
• Fiabilité et lisibilité des indicateurs.

Différenciateurs

• Structuration et consolidation de données multi-domaines.
• Vision transverse entre data, métier et reporting.
• Approche orientée valeur métier.
• Contribution à des réflexions d’architecture data.

Résultats

• Mise en place d’un dashboard décisionnel opérationnel.
• Automatisation et fiabilisation des flux de données.
• Centralisation des données dans Microsoft Fabric.
• Amélioration de la visibilité des indicateurs métiers.
• Réduction des manipulations manuelles et des silos d’information.

Environnement technique

Power BI, Python, Power Automate, Power Apps, Dynamics 365, Microsoft Fabric, OneLake et Lakehouse.

Environnement fonctionnel

Reporting décisionnel, performance industrielle, gouvernance des données, data mesh, produits, supply chain, qualité, R&D et ventes.

Contexte client

Intervention dans le cadre d’un projet de recherche appliquée visant à analyser les performances économiques et environnementales d’exploitations agricoles, en lien avec des enjeux de financement et de durabilité au niveau européen.

Description du projet

Développement d’un modèle d’analyse permettant d’évaluer l’efficience technique et environnementale d’exploitations agricoles à partir de données multi-sources, dans un contexte de forte hétérogénéité et de contraintes méthodologiques.

Description de l’équipe

Collaboration avec des chercheurs en économétrie, statistique et économie agricole, dans un environnement pluridisciplinaire orienté recherche et publication scientifique.

Tâches réalisées

• Nettoyage, structuration et harmonisation de données multi-sources.
• Développement de modèles économétriques : fonction de distance hyperbolique.
• Implémentation des modèles en Python, R et Stata.
• Automatisation des pipelines d’analyse et de génération de résultats.
• Analyse et interprétation des résultats en collaboration avec des experts métiers.
• Contribution à la rédaction de publications scientifiques internationales.

Points clés

• Données hétérogènes avec enjeux de qualité et de fiabilité.
• Forte exigence de robustesse méthodologique.
• Environnement orienté recherche et validation scientifique.
• Collaboration avec des profils non techniques : économistes et chercheurs.
• Manipulation de données sensibles à fort impact décisionnel.

Différenciateurs

• Capacité à traiter des problématiques complexes de modélisation.
• Maîtrise de l’analyse de données multi-sources et non structurées.
• Capacité à traduire des résultats techniques en insights exploitables.
• Expérience de publication scientifique.

Résultats

• Développement d’un modèle robuste d’évaluation des performances économiques et environnementales.
• Production de résultats exploitables pour l’analyse économique.
• Contribution à des publications académiques internationales :analyse de 105 fermes françaises et analyse de 149 banques commerciales européennes.

Environnement technique

Python, R, Stata, économétrie, statistiques, automatisation de pipelines d’analyse et données multi-sources.

Environnement fonctionnel

Recherche appliquée, économie agricole, durabilité, performance environnementale, financement européen et publication scientifique.