Abram Rojas-Margolliet

Intervention sur les sujets Data liés au développement et au pilotage du produit Santé. • Pilotage des sujets Data et coordination avec les équipes métier et IT • Conception et maintenance de dashboards de pilotage de l’acquisition, du portefeuille et du cycle de vie produit • Consolidation et réconciliation de données provenant de plusieurs systèmes internes et fournisseurs • Cadrage des besoins : KPI, granularité, fréquence de mise à jour et périmètre d’analyse • Analyse des performances d’acquisition par canal, CSP et formule • Mise à disposition de données pour les actions commerciales et la connaissance client Résultats : → Couverture du cycle de vie du produit portée de 80 % à 100 % → Contribution à une hausse de 30 % des affaires nouvelles sur les catégories ciblées comme les plus profitables Environnement : Python, SQL, Databricks, Power BI, Spark, Azure, Azure DevOps

Accompagnement des équipes Compliance dans la mise en place d’un dispositif de pilotage des délais de traitement des courriers clients. • Traduction des exigences réglementaires en KPI opérationnels pour les activités IARD et Santé • Cadrage des besoins avec les équipes métier • Analyse du SI et identification des sources de données • Conception de la chaîne de reporting cible • Consolidation de données provenant de plusieurs sources et bases • Automatisation du traitement et conception du dashboard • Documentation et accompagnement des utilisateurs Résultats : → Reporting permettant aux managers de suivre les délais de traitement pour 50 collaborateurs → Plus de 6 managers formés Environnement : Python, SQL, Power BI, Azure Synapse, Tableau

Pilotage de la migration des use cases Data/BI Marketing depuis une architecture historique On-Premise vers Azure Cloud. • Audit et qualification des use cases existants • Migration de 50 use cases Data/BI • Supervision technique et accompagnement de 6 Data Analysts • Mise en place de doubles runs et comparaison des résultats ancien / nouvel environnement • Rationalisation du parc de reporting • Développement et distribution via Azure DevOps d’un package Python interne standardisant les traitements récurrents • Coordination avec les équipes Data, Marketing et MOE Résultats : → 50 use cases migrés vers Azure, dont ~75 % reposaient sur Python/SQL → Power BI → Temps d’affichage Power BI divisés par 2 à 10 → Restauration complète des données en moins de 48 h lors d’un crash test → Standardisation et amélioration de la maintenabilité des traitements Environnement : Python, SQL, Databricks, Power BI, Spark, SQL Server, Azure DevOps

Accompagnement de la sortie progressive de SAS vers une architecture Python / SQL Server, tout en maintenant la continuité des analyses de performance commerciale. • Maintenance et évolution des moteurs de calcul SAS • Traduction des traitements métier en Python et SQL • Migration des traitements vers l’architecture cible • Doubles runs SAS / Python-SQL pour comparer les résultats • Optimisation de traitements SAS • Analyses et extractions ad hoc Résultats : → Environ 10 moteurs de calcul complexes migrés de SAS vers Python / SQL Server → Continuité des analyses commerciales pendant la transition → Réduction des temps de traitement sur les chaînes optimisées Environnement : SAS, Python, SQL Server, SQL, GitLab, Jira

Accompagnement des directions dans la structuration du pilotage BI et l’harmonisation des données. • Animation d’ateliers et cadrage des besoins métier • Définition des KPI et conception de solutions de reporting • Création et évolution de dashboards Power BI • Intégration de données via API REST • Automatisation du calcul des primes commerciales via API → Python → Power BI Résultat : → Calcul quotidien des primes automatisé pour 30 commerciaux, supprimant le traitement manuel récurrent Environnement : Python, SQL, Power BI, API REST

Mise en œuvre de méthodes de Machine Learning pour identifier et prioriser les entreprises présentant un risque de fraude fiscale, notamment sur la TVA. • Préparation et enrichissement des données déclaratives et financières • Construction de modèles de scoring du risque de fraude • Construction d’indicateurs financiers pour enrichir les variables des modèles • XGBoost pour le scoring, complété par une régression logistique afin de faciliter l’interprétation de l’influence des principales variables • Analyse de profils atypiques par secteur et niveau de chiffre d’affaires • Utilisation d’ACP et de K-NN pour l’analyse d’observations atypiques Résultats : → Plusieurs milliers de profils d’entreprises à risque identifiés → Potentiel de recouvrement estimé à plus de 300 M€ Environnement : Python, R, SAS, SQL, Machine Learning, XGBoost