anas belaktib

Pilotage de la phase spécification & validation du projet Aerostructures PLM : animation de discovery workshops avec key users, function owners et process owners pour cartographier lesécarts fonctionnels et les axes d'amélioration. Rédaction et structuration des user stories (Acceptance Criteria, Problem Description, FunctionalDesign, Test cases) ; alimentation et priorisation du Product Backlog pour les milestones G5.1 et G5.2 . Validation des exigences vs standards Airbus, best practices industrie et recommandations éditeurs(PTC, AWS, Dassault) ; coordination IT Architect pour l'alignement sur l'architecture cible AWSPCP. Pilotage de la recette fonctionnelle et du defect management en mode Agile Scrum (sprints) ;interface entre les équipes business et l'équipe d'implémentation.

Pilotage du portefeuille applicatif PLM & CRM (SAP PLM) en Kanban : définition de la visionproduit, gestion du backlog, rédaction des user stories avec critères d'acceptation DoR/DoD,coordination des parties prenantes (direction, MOA, équipes techniques). Coordination des flux d'intégration PLM ↔ CRM ↔ SI (API, ERP, SSO) ; animation des ateliers decadrage fonctionnel ; conception de tableaux de bord Power BI (DAX/M) pour le suivi des KPIs et lereporting exécutif.

Pilotage bout-en-bout d'une plateforme SI formation : roadmap pluriannuelle, backlog, user stories,coordination des intégrateurs et des équipes techniques ; conformité RGPD ; animation des rituelsAgile/Scrum avec les directions métiers. Coordination des flux d'intégration CRM ↔ SI (API, LMS, référentiels) ; suivi des KPIs applicatifs viadashboards Power BI (DAX/M).

• Conception et optimisation d’un pipeline Big Data d’analyse de méthylation, automatisant le traitement de données biologiques massives. • Développement de modèles de machine learning robustes (Python, Scikit-learn, R) pour l’identification de signatures épigénétiques. • Réalisation d’un benchmark de pipelines analytiques, réduisant le temps de traitement de 40 %. • Contribution à la rédaction d’articles scientifiques et à la valorisation académique du projet. • Résultats clés : publication scientifique soumise, amélioration de la précision prédictive de +20 %, adoption du pipeline par l’équipe de recherche. • Environnement technique : Python, R, BASH, MySQL, Power BI, Jupyter, Jira, Confluence, IA

• Développement d’une méthode de détection d’un gène prédisposant au mélanome via ddPCR. • Mise en place de protocoles d’étude sur les anomalies d’épissage des gènes de prédisposition au cancer. • Utilisation avancée des technologies de séquençage ADN/ARN (Illumina, Nanopore, PacBio). • Rédaction de protocoles normalisés et formation des collaborateurs aux nouvelles techniques. • Résultats clés : amélioration de la précision diagnostique, transfert de compétences à une équipe de 10 chercheurs, contribution aux innovations de laboratoire. • Environnement technique : ddPCR, Séquençage ADN/ARN (Illumina, Nanopore, PacBio), Office 365, Teams, logiciels automates