Amine BERROUG

Contexte : Rattaché au Data Management Office (DMO), j’ai piloté des Data & AI Products dans un environnement Data Mesh transverse, avec un focus sur la gouvernance et qualité des données, l’industrialisation des processus et l’intégration des contrôles automatisés au sein de la Data Platform. Missions : Cadrage et planification : • Modélisation des architectures techniques et fonctionnelle DataLake (sources, ingestion, exposition) • Définition des standards de gouvernance et qualité de données (règles, réconciliation, traçabilité, dictionnaire, compliance) Conception et présentation : • Déclinaison opérationnelle de la vision produit en User Stories et incréments produit avec critères DoR/DoD • Collaboration transverse avec l’ensemble des acteurs du projet (Stewards, Data Scientists, Data engineers, Architectes) • Concevoir les scénarios et cahiers de tests adaptés aux pipelines et aux flux de données Cloud Azure Développement et test : • Animation des rituels Agile Scrum (Daily, Sprint Planning, Review, Rétros) • Validation des tests UAT, fonctionnels et non-régression (manuels/automatisés) sur Databricks • Présentation des avancées et reporting (qualité, météo produit, comité métier/ CoProj) Accompagnement et monitoring : •Documentation et support des métiers sur la solution déployé (DEX, schéma d’architecture) •. Suivie des anomalies et leur résolution avec les équipes Socle Big Data et S2P • Mettre en place des KPI et Dashboards Power BI pour monitorer la qualité des données (fraîcheur, linéage, distribution) Résultats obtenus : • Renforcement du pilotage des pipelines data via des contrôles automatisés et une meilleure visibilité bout-en-bout • Priorisation du backlog Data Products en environnement Agile (Scrum) assurant réduction du time-to-delivery • Déploiement d’un framework Data Quality DQD & gouvernance à l’échelle groupe • Mise en place de dashboards Power BI de monitoring qualité des données (fraîcheur, linéage, distribution, volume) Env. Technique: Cloud Azure, Azure Data Factory, DataLake, Databricks, SQL, Python, PySpark, Power BI, Azure DevOps, Jira, Confluence, CI/CD, Data Mesh, Product & Design Thinking, Scrum, Collibra, Data Governance, Data Lineage, Observability, DrawIO, Kanban, API, DWH, data dictionary, Data Quality by Design

Contexte : Rattaché au COO, j’ai piloté le cycle de vie des produits Data pour la holding et ses 9 filiales internationales, de la collecte à l’exploitation des données clients de +70 Web Apps pour une audience de 23k+ utilisateurs mensuels MAU afin d’améliorer l’expérience client NPS et la prise de décision stratégique. Missions : Cadrage et Planification : • Définition de la vision produit et de la roadmap Data, en collaboration avec les parties prenantes (filiales, B2B, B2C) • Identification et priorisation des KPIs et cas d’usage métier, en intégrant la valeur business et les contraintes techniques Conception et présentation : • Conception des pipelines de collecte et d’ingestion de données, garantissant qualité, fiabilité et conformité RGPD • Animation d’ateliers métiers internationaux et cadrage du besoins et cas d’usage en Data Visualisation • Présentation des solutions proposées et démonstration de la valeur ajoutée auprès des métiers et équipes techniques Développement et test : • Pilotage de la migration de l’infrastructure analytics vers Piwik Pro, intégration des KPIs personnalisés • Déploiement de Dashboards temps réel pour le suivi des parcours clients et le pilotage opérationnel • Validation des solutions via tests d’acceptation, démonstrations itératives et feedback métiers Accompagnement et monitoring : • Formation et accompagnement des utilisateurs finaux pour assurer l’appropriation des Dashboards • Analyse de l’usage et des performances des 80 Web Apps pour optimiser les parcours et orienter les décisions business Résultats obtenus : • Déploiement de dashboards exécutifs sous gouvernance distribuée, unifiant le pilotage de la performance pour 9 pays • Hausse de 14% à +25% de l'engagement via une analyse data-driven des parcours et une personnalisation de UX • Mise en place d'un système de monitoring proactif garantissant la stabilité et performance des services digitaux Env. Technique: SQL, Piwik Pro Analytics, Google analytics, Tag Manager, Python, SQL, Excel, Workshops, Looker, GCP Agile/Scrum Design Thinking, Data Governance, User Stories, Power BI, Backlog, Data quality, RGPD, Looker

Contexte : Rattaché au COO, direction Digital & Business Excellence, j’étais en charge du pilotage de projets de centralisation et valorisation des données à l’échelle internationale, avec mise en place de pipelines ETL et Dashboards pour accompagner la transformation digitale et l’industrialisation des usages Data. Missions : Cadrage du projet : • Planification des projets d’intégration et de reporting avec suivi des délais • Définition des KPIs pour garantir la qualité des données • Collaboration avec les Business Partners pour formaliser les besoins métiers • Animation des ateliers avec les différentes parties prenantes du projet Développement et test : • Traduction du besoin en spécifications fonctionnelles et techniques • Mise en œuvre du modèle de données : extraction, transformation et visualisation des données ETL • Conception et implémentation du modèle de données sur BigQuery • Prototypage et validation des étapes de traitement et d’intégration • Création de rapports et Dashboards interactifs sous Looker Formation et conduite de changement : • Formation des équipes métiers, techniques et marketing à l'utilisation des tableaux de bord • Documentation des processus ETL et modèles de flux de données Résultats obtenus : • Adoption renforcée des dashboards dans les équipes métiers pour le pilotage opérationnel • Meilleure expérience client et taux de conversion via les analyses data-driven • Mise en place d'un environnement de reporting structuré, facilitant la prise de décision à l'échelle globale Env. Technique: SQL, Piwik Pro Analytics, Google analytics, Tag Manager, Python, SQL, Excel, Workshops, Looker, Agile/Scrum Design Thinking, Data Governance, User Stories, Power BI, Backlog, Data quality, RGPD

Contexte : Développement d’un POC visant à analyser les données issues de capteurs intelligents (LIDAR, télémétrie) embarqués dans des véhicules autonomes afin d’améliorer la fiabilité des architectures IoT et la performance des systèmes d’Intelligence Artificielle Distribuée (SMA). Missions : Analyse et Architecture IoT : • Étudier, auditer et identifier les faiblesses des architectures IoT existantes • Évaluer la scalabilité, la latence et la robustesse via simulations multi-scénarios Data Engineering et traitement distribué : • Concevoir des pipelines Big Data (Spark, PySpark, Hadoop, MapReduce) pour données capteurs massives • Assurer la qualité des données : cleaning, feature engineering, normalisation Modélisation IA : • Développer des modèles de Machine Learning et Deep Learning (TensorFlow, PyTorch, KNN) • Concevoir des modèles d’Intelligence Artificielle Distribuée basés sur des Systèmes Multi-Agents • Implémenter des mécanismes de coordination multi-agents autonomes pour la prise de décision distribuée IoT Expérimentation et validation : • Tester et évaluer les modèles via simulations intensives (conditions météorologiques et routières variées) • Conduire des campagnes d’expérimentation pour optimiser les performances (résilience, throughput, précision) Résultats obtenus : • Mise en place d'un POC fonctionnel démontrant les gains de performance apportés par les modèles IAD. • Optimisation de l'architecture loT et automatisation des flux de données entre capteurs et moteurs d'inférence. • Amélioration de la robustesse des systèmes embarqués dans des environnements de test simulés. • Capitalisation des travaux sous forme de livrables techniques et documentations exploitables. Env. Technique: Python, Kaggle, Machine learning, Github, IoT (Cooja, Contiki), Matplotlib, Seaborn, KNN, LIDARs, TensorFlow, NLP, Pytorch, Pandas, PySpark, Hadoop, Spark, MapReduce

Contexte : Participer à l'élaboration de solutions analytiques au sein d'équipes pluridisciplinaires, pour traiter des données provenant de différentes sources. Missions : • Collecter, nettoyer et structurer les données pour en extraire des insights • Concevoir et automatiser des pipelines de traitement des données réseau • Collaborer avec les parties prenantes pour traduire les besoins métier en spécifications techniques et fonctionnelles • Utiliser des techniques avancées de data mining pour explorer les données • Créer des rapports et tableaux de bord interactifs sous Power BI • Développer et tester les modèles prédictifs de machine learning pour la détection de malwares Résultats obtenus : • Mise en place de dashboards Power BI pour le suivi et la détection d'anomalies sur les données réseau. • Automatisation des traitements récurrents, réduisant le temps de préparation des données. • Amélioration des capacités de détection de malwares grâce aux modèles prédictifs testés. • Partage des insights métiers à travers des rapports clairs et orientés action. Env. Technique: Machine Learning, Python, Jupyter Notebook, Excel, Power BI, Pandas, Scipy Matplotlib, Numpy, Seaborn, KNN, SQL