Abel FOUOBE

Réalisations :    - Modélisation & IA : Conception et optimisation d'algorithmes prédictifs appliqués aux flux financiers ou aux données de paiement. - [Fasttext, scikitlearn, scipy]  - Industrialisation & DevOps : Intégration et déploiement continu (pipelines CI/CD) des modèles au sein des infrastructures sécurisées du groupe. Gestion fine des branches et des versions de code pour assurer la traçabilité des développements. - [Git/Bitbucket]  - Sécurité & Conformité (Data Governance) : Application rigoureuse des normes de secure coding et de protection des données bancaires sensibles (gestion des habilitations, anonymisation, respect de la conformité).  - Suivi & Reporting : Création d'indicateurs clés (KPIs) et de dashboards pour le pilotage de la performance opérationnelle des modèles en production  Environnement technique :   GCP (Big Query), Confluence, Python, Jira,

Objectif : - Optimiser les couts marketing media. Prescription : - Création et la mise en production d'une solution visant à améliorer l'efficacité des campagnes marketing et du CA Réalisations : - Mise en place d'un modèle d’attribution Data-Driven (DDA) pour attribuer les ventes aux différentes campagnes marketing (scope digital) * Modélisation via le Machine Learning - [scikit-learn, shapley, scoring] * Mise en production du modèle DDA sous GCP pour l’automatisation du processus * Création de la table de travail pour la mise en place d'un Dashboard sous Google Analytics - Mise en place d'un modèle MMM (marketing mix modeling) pour mesurer la contribution des leviers marketing sur les ventes (on/offline) - Conception et mise en œuvre d'une solution d'analyse de performance permettant d'évaluer l'efficacité des campagnes et leviers marketing, afin d'allouer judicieusement les budgets - Segmentation clients basé sur le parcours WEB * Création des clusters pour les clients offline ayant eu une activité online Environnement technique : - GCP (GCS, Big Query, Dataproc, VertexIA), Gitlab, Python, Pyspark,

helped me get this job

Objectifs : - Optimiser à la fois les performances opérationnelles et financières de l'entreprise en fournissant des analyses et des informations précieuses basées sur les données. Réalisations : - Conception et déploiement d'un moteur de recommandation pour la personnalisation des e-mails en fonction des produits pertinents, en intégrant des données météorologiques et d'autres facteurs * Mise en place d'une infrastructure de gestion des données pour alimenter efficacement le moteur de recommandation. * Analyse du parcours des clients sur le site web (incluant les pages visitées, les produits consultés et achetés, ainsi que leurs préférences). * Application de techniques d'apprentissage automatique pour analyser les données collectées et identifier les tendances et les modèles. * Mise en œuvre de tests rigoureux pour évaluer le bon fonctionnement du moteur de recommandation et la pertinence des recommandations générées. * Mesure de l'impact de la personnalisation des e-mails sur les taux d'ouverture, de clic et de conversion, afin d'optimiser continuellement les performances. * Personnalisation des e-mails en fonction des préférences et du comportement d'achat de chaque client, en utilisant les données collectées par le moteur de recommandation. Intégration de facteurs externes tels que la météo pour recommander des produits adaptés aux conditions météorologiques, offrant ainsi une expérience client hautement individualisée. - Segmentation de magasins pour faciliter les analyses comparatives * Implémentation de la méthode CRISP-DM (Feature Engineering, clustering, agile, AB tests) - Maintien et enrichissement des scores existants - Analyse pré et post campagnes CRM dans le but d'optimiser les coûts de lancement - Migration des rapports à destination du COMEX sous Power BI Environnement technique : - Power BI, Python, R, Rshiny, SQL, Bigquery, Gitlab

Objectif : - Optimisation des coûts(temps/finance) au sein des équipes DBA (Database Administrator) Prescription : - Fournir des analyses et des solutions automatisées permettant au DBA d’améliorer leur productivité et ainsi l’expérience utilisateur des outils internes par les collaborateurs. Réalisations : - Conception d'une solution d'automatisation pour la classification des tickets incidents et l'estimation du temps de traitement, en utilisant des techniques d'apprentissage automatique. * Extraction de caractéristiques à partir des données textuelles des tickets incidents, incluant les descriptions, les dates, les priorités, et les catégories, dans le but d'analyser les informations. * Réalisation d'une analyse approfondie des données pour identifier les tendances et les relations clé, contribuant à une meilleure compréhension des informations contenues dans les tickets incidents. * Choix d'un algorithme de classification adapté (classification supervisée, non supervisée, mixte) en fonction des besoins spécifiques du modèle. * Collaboration avec les experts en administration de bases de données (DBA) afin d’enrichir la base d’entrainement du modèle et pour définir les variables cibles pertinentes. * Intégration du modèle développé dans la solution, permettant ainsi l'efficacité du processus de gestion des incidents. - Maintenance des tableaux de bord Kibana pour le suivi d'activité des DBA : * Collaboration avec les experts DBA afin de comprendre les besoins et les objectifs. * Intégration efficace des données provenant de diverses sources (les bases de données, les fichiers logs, les outils de surveillance, etc.) * Mise en place des processus d'automatisation pour générer régulièrement des rapports permettant aux DBA de suivre les KPI de performance. Environnement technique : - R, Python, Dash, Kibana, GitHub, Git, NLP, Regex

Objectifs : - Maintenance des tableaux de bord destinés aux Monthly/weekly pour le monitoring des activités marketing (service client, CRM, digital, etc.) - Refonte du modèle sur les règles d'association produits - Mise en place de clustering clients Réalisations : - Maintenance des tableaux de bord * Collecte des données à partir de la base SQL developer * Préparation des données : s'assurer de la bonne qualité des données * Construction des tableaux de bord - Refonte du modèle sur les règles d'association produits * S’assurer de la pertinence du modèle en revoyant l’identification des ensembles d'items fréquents * Réévaluation des règles - Clustering clients * Création des clusters via des techniques non supervisées : ACP + CAH * Détection de comportements frauduleux Environnement technique : - R, Tableau, SQL developer