adnane K.

Contexte : Mise en place d’un dispositif data visant à améliorer la performance des équipes d’inspection et de supervision. Les données terrain (activités opérationnelles, convocations, ordonnances, alertes) étaient centralisées et structurées afin de fiabiliser le suivi de l’activité, optimiser la planification des interventions et renforcer la sécurité ainsi que la qualité des opérations. L’enjeu principal est fournir aux superviseurs une vision consolidée et fiable pour piloter efficacement les équipes et prioriser les actions. • Définir les méthodes de récupération des données par source de données. • Identifier les services GCP pour les différentes phases de traitement • Développer les DAGS Airflow d'ingestion (HTTPS, SFTP) • Ajouter la partie reverse-proxy pour la connexion entre les bases de données et GCP • Mise en place d'une architecture évènementielle(GCS -> Pub/Sub -> Cloud Workflows -> Cloud Run -> BigQuery) et automatisation des traitements avec dbt • Industrialisation des jobs Spark (packaging, paramètres, logs, gestion des erreurs) • Mise en place d’une chaîne ML sur Vertex AI incluant les contrôles qualité des données en amont (anomalies, complétude, cohérence), le batch prediction planifié pour le scoring (entrées/sorties BigQuery/GCS) et le monitoring des performances (métriques, dérive, analyse d’erreurs) via Vertex AI Monitoring • Industrialisation de l’infrastructure et des déploiements via Terraform, Docker et Cloud Build (IaC + CI/CD). • Modélisation d’un data dans BigQuery avec dbt et sécurisation des accès (IAM, Secret Manager), accompagnés de tests end-to-end et monitoring des logs. • Participation et animation des cérémonies Agile avec des sprints de 2 et 3 semaines • Cadrage des stories avec le scrum master (estimation des stories points) • Réaliser des support de formation • Veille technologique sur les outils et auto-formation continue sur les outils d’IA. Technologies: Python, SQL, Terraform, Terragrunt, Spark(Dataproc), dbt, Docker, Cloud Storage (Delta Lake), Dataplex, Google Cloud BigQuery, Google Cloud Build, Google Cloud Logging, Google Cloud Platform (GCP), Google Cloud Run, Google Identity and Access Management (IAM), Google Pub/Sub, Google Workflows, Vertex AI.

Contexte : Mise en place d’un cas d’usage Data end-to-end pour centraliser des données d’activité des moyens de transport multi-pays puis les adapter à un contexte retail de facturation. L’objectif est fiabilisé et historisé les données afin de produire des datasets prêts pour le reporting et la prise de décision. Production d’indicateurs métier (activité par zone/période, montants moyens, modes de paiement, CA par pays, panier moyen, top produits) avec exécutions récurrentes. • Analyse des besoins avec les équipes métier et rédaction des spécifications techniques. • Développement de scripts Python pour l’ingestion automatique de fichiers Parquet/CSV vers GCS, avec logs. • Mise en place et gestion des buckets et des fichiers dans GCS • Développement SQL dans BigQuery et gestion des droits d’accès (IAM & Admin). • Création, configuration et déploiement de tables, vues, procédures stockées et pipelines dans le cloud GCP • Conception de pipelines de données pour la collecte et l’extraction depuis différentes sources de stockage cloud, et création de modèles de transformation sous dbt. • Développement de jobs PySpark pour les transformations lourdes (normalisation, déduplication, agrégations, enrichment), avec écriture vers BigQuery (tables partitionnées/clusterisées). • Gestion et analyse des incidents en environnements Dev et Prod (données erronées, données manquantes, mises à jour de données). • Conception d’une architecture ELT GCP : Cloud Storage (raw), BigQuery (raw / transform / views), Cloud Composer (Airflow) • Orchestration du pipeline via un DAG Airflow/Cloud Composer planifié. Technologies: Apache Airflow, Google Cloud CLI (gcloud), Google Cloud BigQuery, Google Cloud Composer, GCP, Google Cloud Shell, IAM, Terraform, Python, SQL, GCS, ELT, Spark.

Contexte : Refonte et migration des pipelines de données qui alimentent +30 Dashboard Marketing Digitale (GA, Traackr, Meta ...) utilisés par +2000 utilisateurs à travers le monde depuis DOMO vers GCP et Power BI. • Réalisation d'une API pour une solution Big Data interne avec de JAVA (Spring webflux) • Développement et optimisation de requêtes SQL • Réalisation des tests unitaires avec JUnit • Gestion du versioning avec GIT • Développement de la couche présentation en Angular7, HTML, CSS • Mise en place de l'infrastructure sur GCP et configuration des pipelines CI/CD sur GitHub • Collaboration avec l'équipe de Dataviz pour créer des Dashboard optimisés et pertinents • Développement des ETL pour extraire des données de diverses sources (APIs, SAP etc….) et réalisation de transformations de données • Contribution active à l'amélioration de l'architecture afin d’optimiser les performances • Création des user stories, gestion du backlog et estimation, permettant une planification efficace du projet Technologies: Python, Java, CSS, HTML, Angular, Google BigQuery, Google Workflows, Google Cloud Run, Docker, Terraform, Git , CI/CD

Mise en place d'une plateforme de gestion des situations de perturbation et de crise Développement d'interface graphique avec HTML, CSS, Bootstrap, Angular Material Développement et optimisation de requêtes SQL Développement des fonctionnalités avec Java 6 - Spring - Hibernate - webservices REST Réalisation des tests unitaires avec Junit et Jasmine Technologies: Java, Angular, HTML, Spring Framework, CSS, Bootstrap, SQL, Hibernate, Web Services REST (RESTful APIs), GitHub, Git, JUnit, Jasmine