Alaa Gannouni

– Mission au sein des équipes Risques CFT. – Mettre en place les chaines de traitements automatisés des données pour les différentes chaines de valeurs métiers : quartier risque de crédit, monitoring de risque à maille tiers, analyse and report de risque de crédit à la maille portefeuille. – Acquisition d'une vision globale de la chaîne de valeur data au sein de l'écosystème risque. – Le but est de faire des transformations, analyses et reporting des données financières de la SG ainsi que l'analyse des risques de crédit. – Collecte et validation des données: consommation des données du Data Lake, stockées dans HDFS sous format parquet suite à leur validation. – Mapping entre les flux sources et des données référentielles avec Spark et création de la couche business. – Développement de jobs Spark/Scala pour le calcul, l'enrichissement et l'agrégation des expositions au risque de crédit. – Création de transformations complexes sur des volumes massifs (données Hive, Parquet, JSON) pour alimenter les couches UV utilisées en restitution. – Développement des tests unitaires en scala. – Orchestration des traitements avec Oozie, automatisation des déploiements via Ansible. – Diagnostic et résolution des anomalies détectées en production ou signalées par les équipes métiers et Assuré le support en cas d'incident. – Migration Lucid (hortonworks to cloudera). – Réglage et optimisation des flux de données. – Industrialisation des pipelines Spark/Scala avec GitHub Actions. – Optimisation des performances Spark (partitionnement, broadcast join, gestion de la mémoire). – Collaboration étroite avec les équipes métiers et les Business Analysts pour comprendre les besoins en restitution et adapter les traitements de données en conséquence. – Participation aux ateliers fonctionnels et aux revues de spécifications pour garantir la cohérence des livrables data avec les attentes réglementaires et opérationnelles. – Recueil, challenge et traduction des besoins métier en spécifications techniques. – Migration du code spark2 vers spark3.

**Projet « UOM Unifié »:** – Identifier les motifs d'appels pour superviser et réagir en cas de dérive et assurer une analyse quantitative et qualitative des inducteurs d'activité. – Produire et suivre le taux d'appels par typologie. – Mesurer l'impact de l'appui à chaud sur la satisfaction client et salarié. – Fournir des outils de pilotage des équipes de soutien (UOM + DISE) et des outils d'analyse performants et dynamiques des incidents. – Suivre la performance des différentes équipes de soutien (UOM + DISE), en allant jusqu'aux détails par membre d'équipe (accès restreint au manager). – Suivre les évolutions des indicateurs pour la Relation Client et par portefeuille RSC (RC). – Détecter et Analyser en détails les mouvements d'indicateurs. – Croiser les données afin de connaître l'efficacité des actions réalisées par la HLD. – Connaître la contribution de la HLD au business. – Croiser les données afin d'identifier les boucles d'améliorations. – Identifier des besoins d'accompagnement des vendeurs. – Implémentations des scripts hive selon le traitement et les données sources pour analyser et extraire des indicateurs en appliquant des règles de gestions métier. – Développement des tests de non régression servant à identifiés les régressions entre les différents environnements de développement. – Configuration des coordinateurs oozie pour lancer des batchs quotidiens et d'autres mensuels. – Mise en place d'une chaine d'intégration continue en utilisant les pipelines Jenkins et Git. – Déploiement des packages développés stockés sur S3 (outils de stockage interne). – Mise en place des scripts shell permettant l'automatisation des traitements. – Migration du code de HDP-2 en HDP-3. **Projet « Patch et Vulnerabilité »:** – Identifier les éléments vulnérables présents sur les équipements présentant des failles de sécurité pouvant être exploités à des fins malveillances. – Assurer un suivi des vulnérabilités et des correctifs associés. – Mettre en place un outil développé en spark scala pour analyser et extraire le niveau de criticité des indicateurs définis. – Migration du module « purge » de java en scala à fin de virer les partitions des tables dépassant la rétention déterminés par le métier et configurés dans un fichier « .properties ». – Migration du module « reporting » de java en scala permettant de recevoir un rapport quotidien sur le lancement du worflow indiquant s'il y a des directions manquantes déterminés par le métier et configurés dans un fichier « .properties ». – Configuration des coordinateurs oozie pour lancer du batch hebdomadaire. – Mise en place d'une chaine d'intégration continue en utilisant les pipelines Jenkins et Git. – Déploiement des packages développés stockés sur S3 (outils de stockage interne) à travers jenkins Prod. – Mise en place des scripts shell permettant l’automatisation des traitements. – Migration du code de HDP-2 en HDP-3.

– Participation à des projets de données internes avec d'autres équipes. – Développement d'un programme de formation structuré pour faciliter l'intégration des nouveaux membres. – Mise en place d'un environnement de cluster dédié, offrant une expérience pratique et une exposition concrète aux technologies Big Data aux jeunes collègues. – Formation des seniors : Consacrer du temps à l'auto-apprentissage et à des programmes de formation structurés pour maîtriser les technologies Big Data. – Créer un programme ou un parcours de formation structuré couvrant les concepts clés et les exercices pratiques des technologies Big Data. – Mettre en place un environnement de cluster : Mettre en place un environnement de cluster dédié à l'aide d'outils tels que Hadoop ou Spark pour offrir une expérience pratique et des opportunités d'expérimentation aux nouveaux membres de l'équipe.