Amine Neggal

Courtier en assurance spécialisé dans le spectacle vivant Solution data complète pour automatiser la réconciliation bancaire d'un courtier en assurance spécialisé dans le spectacle vivant. - Conception de l'architecture applicative : API REST FastAPI, interface Streamlit, base PostgreSQL avec migrations Alembic - Développement d'un moteur de matching multi-critères avec scoring pondéré (montant, n° contrat, n° quittance, nom client) sur relevés bancaires BNP auformat OFX - Intégration de Mistral OCR pour l'extraction automatique des appels de primes PDF multi-compagnies - Module de gestion des écarts et régularisations avec cycle de vie complet - Audit log universel traçant toutes les actions utilisateur - 294 tests automatisés couvrant matching engine, parsers et contrôles métier - Stack : Python · FastAPI · Streamlit · PostgreSQL · SQLAlchemy · Alembic · Mistral AI · Pytest · Docker

> Conception et implémentation d’un data warehouse centralisant les données projets (budgets, délais, ressources, client... ) issues de sources hétérogènes (Excel, logiciels métier, emails) > Développement de pipelines ETL automatisés (Aiflow, Python) pour l’extraction et la transformation des données de chantiers, permettant un suivi de ~50 projets actifs > Création de tableaux de bord Power BI pour le pilotage stratégique : suivi de rentabilité par type de mission, analyse des dépassements budgétaires, prédiction des délais > Automatisation du suivi réglementaire (RE2020, PLU, accessibilité) avec alertes sur les évolutions impactant les projets en cours > Élaboration de modèles prédictifs (régression) pour l’estimation des coûts et délais des nouveaux projets, réduisant les écarts de prévision de 25%

Développement d’un bot de trading crypto basé sur le Machine Learning, de la collecte de données jusqu’à la mise en production : > Collecte & Préparation des données : récupération de données de marché via API (Binance) et préprocessing ~ pour BTC, 1 440 enregistrements par jour (intervalle 1h). > Stockage : conception de bases de données (PostgreSQL). > Machine Learning : entraînement de deux modèles de prédiction pour les décisions d’achat/vente (classification et régression). > Mise en production : déploiement d’une API (FastAPI) pour tester et partager les modèles. > Dockerisation : conteneurisation des différents services afin d’assurer la portabilité du projet. > Automatisation & Monitoring : pipelines CI/CD (GitLab, Airflow), monitoring avec Prometheus & Grafana.

> Échange avec les équipes métiers pour comprendre leurs besoins et concevoir des tableaux de bord adaptés (EDB). > Collaboration avec les Data Engineers afin d’assurer l’évolution et la mise à jour des sources de données. > Élaboration de tableaux de bord avancés sous outil de data visualisation (Power bi). > Conception et implémentation d’indicateurs personnalisés en DAX et en M. > Participation à l’intégration d'indicateurs dans l'environnement de données (Power bi Service). > Publication et gestion des rapports sur Power BI Service pour assurer leur accessibilité et mise à jour. > Élaboration de modèles de prédictions utilisation de Python.

Création d’outil facilitant l’analyse de facturation et tableau de bord > Création d’un outil Excel VBA > Croisement de données de différentes sources > Mise en forme d’une interface facilement lisible et utilisable