Disneyland Paris

<h2><strong>Contexte</strong></h2><p></p><p>Disneyland Paris (DLP) vit actuellement une transformation Data en se dotant d’une équipe Data centralisée, pour servir tous les départements de l’entreprise et d’une Data Platform sur AWS permettant ainsi à DLP de passer dans une nouvelle ère pour exploiter au mieux ses données riches et variées issues du/des : digital, boutiques, restaurants, hôtels, opérations sur le parc (costumes, flux de visiteurs, ...).</p><p></p><p>L’équipe Data, actuellement composée d’une quinzaine de personnes, principalement orientées BI et Data Science, est au cœur de ce projet, avec pour principales missions :</p><p>Construire, maintenir et faire évoluer la Data Platform pour DLP ; Centraliser la donnée au sein d’un Data Lake.</p><p></p><h2>🎯 <strong>Objectifs</strong></h2><p></p><ul><li><p>Accélérer le self-service BI et automatiser le reporting pour permettre au plus grand nombre d’accéder aux données et de faire leurs analyses en toute autonomie</p></li><li><p>Construire des produits data-driven basés sur l’intelligence artificielle / IA qui permettront d’activer des leviers de croissance : recommandations, personnalisation, outils de simulations sont parmi les case d'usages identifiés.</p></li></ul><p></p><h2>👷‍♂️ <strong>Equipe</strong></h2><p></p><h3>Equipe Data Platform</h3><p></p><p>10 data engineers</p><p>3 DQO</p><p>4 product owners</p><p>3 scrum masters</p><p>1 delivery manager</p><p></p><h3>Equipe pricing des tickets</h3><p></p><p>1 data engineer</p><p>1 product owner</p><p>1 scrum master</p><p></p><h2>🏗️ <strong>Stack technique</strong></h2><p></p><ul><li><p>AWS&nbsp; S3 / Glue / Fargate&nbsp;</p></li><li><p>PySpark&nbsp;</p></li><li><p>SnowFlake / dbt&nbsp;</p></li><li><p>Terraform</p></li><li><p>Oracle / SQL Server / PostgreSQL</p></li><li><p>GitHub&nbsp; / Hooks</p></li><li><p>Soda SQL</p><p></p></li></ul><h2>👨‍🔬 <strong>Etape de la solution</strong></h2><p></p><h3>Construction de la plateforme Data</h3><p></p><ol><li><p>Analyse exploratoire des sources de données</p></li><li><p>Modélisation de données pour le Data Warehouse</p></li><li><p>Développement de pipelines de migration de données vers le Data Lake (réservation, boutiques, restaurants, flux de visiteurs, etc.)</p></li><li><p>Création de vues et tables analytiques au sein du Data Warehouse</p></li><li><p>Mise en place de data contracts pour l'anonymisation des données personnelles et la qualité de données (RPGD, Data Quality)</p></li></ol><p></p><h3>Automatisation du déploiement infrastructures pour pricing des tickets</h3><p></p><ol><li><p>Développement de workspaces Terraform de déploiement d'infrastructures Cloud des produits de pricing (tickets, hôtels, passes annuels)</p></li><li><p>Développement d'un module Python pour le pricing des tickets</p></li><li><p>Migration de code R vers Python</p></li><li><p>Création d'un notebook pour l'automatisation de génération des matrices de prix annuels</p></li></ol><p></p><h2>📊 <strong>Résultats</strong></h2><p></p><ul><li><p>Amélioration de la fiabilité des données et unification des sources de données</p></li><li><p>Amélioration du reporting auprès des équipes business et executives</p></li><li><p>Réduction du coût de stockage et de calculs des données</p></li><li><p>Amélioration de la qualité des produits de pricing</p></li></ul>

Construction de la Data Platform et automatisation du déploiement infrastructures pour pricing des tickets

Big Data

Ralph v1

Organon

<h2><strong>Contexte</strong></h2><p></p><p>Laboratoire pharmaceutique international, leader en santé des femmes et acteur majeur dans la mise à disposition de médicaments biosimilaires et de médicaments historiques à forts enjeux de santé publique.</p><p></p><p>Nous construisons un pipeline et un portefeuille de produits axés sur la contraception, la fertilité, les conditions maternelles et péripartum, ainsi que les conditions uniques ou prédominantes chez les femmes.</p><p></p><h2>🎯 <strong>Objectifs</strong></h2><p></p><p>Next Best Engagement (NBE) est un moteur d'intelligence artificielle, alimenté par des données historiques d'engagement et des données de paramètres de campagne, qui identifie les meilleures actions promotionnelles à mener pour chaque professionnel de santé (HCP).</p><p> </p><p>Les recommandations du NBE :</p><ul><li><p>Déclencher l'envoi des emails HQ au bon moment à chaque HCP (SFMC)</p></li><li><p>Générer des suggestions aux équipes terrain via la plateforme d'automatisation du marketing (VEEVA)</p></li></ul><p></p><div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/clx1wnytk0inm5vbu9ote0tpv.png"><div class="image-overlay"></div></div></div></div><p> </p><p>Le moteur NBE optimisera l’efficacité promotionnelle à travers deux principes&nbsp;:</p><ul><li><p>Personnalisation&nbsp;: promouvoir le bon contenu via le meilleur canal en fonction des informations sur les interactions passées pour ce HCP</p></li><li><p>Harmonisation : promouvoir par la bonne séquence d'actions au bon moment en fonction de l'identification de quelles sont les séquences d'actions réussies.</p></li></ul><p></p><h2>👷‍♂️ <strong>Equipe</strong></h2><p></p><p>1 Data Scientist</p><p>1 Data engineer</p><p>1 Product Owner</p><p></p><h2>🏗️ <strong>Stack technique</strong></h2><p></p><ul><li><p>AWS S3 / Step Functions / Glue / Lambda / SageMaker / Athena / DMS&nbsp;</p></li></ul><p></p><ul><li><p>Python / Pandas / AWS Wrangler</p></li></ul><p></p><ul><li><p>Jupyter Notebook / Scikit Learn</p></li></ul><p></p><div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/clx1wnkkt0imo5vbu580vg5fe.png"><div class="image-overlay"></div></div></div></div><p></p><h2>👨‍🔬 <strong>Etape de la solution</strong></h2><p></p><ol><li><p>Développement d’un pipeline de données intégrant un moteur de suggestions&nbsp;</p></li><li><p>Développement de fonctionnalités métier du moteur de suggestions&nbsp;</p></li><li><p>Développement d’un pipeline de déploiement de modèles Machine Learning (MLOps)&nbsp;</p></li><li><p>Rédaction d’un guide et d’une documentation technique</p></li><li><p>Présentation de la solution aux directeurs techniques à l’international&nbsp;</p><p></p><p></p></li></ol><h2>📊 <strong>Résultats</strong></h2><p></p><p>Amélioration de l’engagement des professionnels de santé</p><p></p><div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/clx1wm9if0ikg5vbuanmy9qug.png"><div class="image-overlay"></div></div></div></div><div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/clx1wn2wr0ilm5vbuf6mf462p.png"><div class="image-overlay"></div></div></div></div><p></p>

Développement d’un moteur de suggestions marketing pour professionnels de santé

Data Engineering

Machine Learning

Next Best Engagement

<h2><strong>Contexte</strong></h2><p></p><p>Depuis 2 ans, MSD France devient pionnier dans la transformation Data &amp; Digital du groupe MSD. De nombreuses initiatives ont été déployées à commencer par la création du bureau Data en janvier 2019, au sein de la direction Stratégie &amp; Opérations, avec 3 missions principales : </p><p></p><p>-Gouvernance et gestion des données </p><p>-Analyse de données et activation et performances des données IA</p><p></p><p>L'objectif principal du Data office est d'accompagner les 4 Business Units (BU) Marketing de MSD FR dans la définition et la construction de leur stratégie Data driven, en lien avec les différentes équipes IT (France, Prague et Global) en développant différentes solutions basées sur Analyse de données, IA et automatisation du marketing.</p><p></p><h2>🎯 <strong>Objectifs</strong></h2><p></p><p>Cette mission fait partie du projet Printless V2 qui fournit un outil aux équipes Marketing pour optimiser les quantités de matériel promotionnel à imprimer dans le cadre d'une nouvelle campagne, afin de réduire le volume de matériel détruit.</p><p></p><p>Actuellement, une première version de l'outil est disponible sous forme d'application Qlik Sense basée sur les informations des responsables de campagnes Marketing (durée de la campagne, nombre de commerciaux impliqués, etc.). L'application calcule et renvoie la quantité optimale de matériel promotionnel à imprimer.</p><p></p><p>Aujourd'hui, ces quantités sont calculées à partir d'une formule linéaire de base. <strong>L’objectif de Printless V2 est d’optimiser ce calcul via un modèle de Machine Learning, basé sur l’historique des impressions et du matériel détruit.</strong></p><p></p><h2>👷‍♂️ <strong>Equipe</strong></h2><p></p><h2>🏗️ <strong>Stack technique</strong></h2><p></p><ul><li><p>AWS API Gateway, Lambda, SageMaker&nbsp;</p></li><li><p>Qlik Sense Server</p></li><li><p>QRAG</p></li><li><p>Python / Flask&nbsp;</p></li></ul><div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/clx1ulfft08xc61d4bh650tf6.png"><div class="image-overlay"></div></div></div></div><h2>👨‍🔬 <strong>Etape de la solution</strong></h2><p></p><ol><li><p>Création d’un benchmark sur les protocoles d’échange de données: gRPC, RESTful API, QRAG, QSSE&nbsp;</p></li><li><p>Développement du connecteur SageMaker vers Qlik Sense Server&nbsp;</p></li><li><p>Développement de l’infrastructure de données AWS</p></li><li><p>Intégration d’un jeu de donnés de Machine Learning</p></li><li><p>Rédaction d’un guide et d’une documentation technique</p></li><li><p>Présentation de la solution aux VP’s</p><p></p></li></ol><h2>📊 <strong>Résultats</strong></h2><p><br><strong>Economie en budget marketing annuel 500 000 €</strong></p><p></p><div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/clx1upugd093y5vbu12lv7ept.png"><div class="image-overlay"></div></div></div></div><div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/clx1uo1kt09dh61d4c64q3wp6.png"><div class="image-overlay"></div></div></div></div><div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/clx1un4bh09a661d4cbqx96x4.png"><div class="image-overlay"></div></div></div></div>

Développement d’un POC d’intégration de Modèle de Machine Learning

Flask

Qlik AWS Connector

BNP Paribas

<h1><strong>Contexte</strong></h1><p></p><p>Le projet fait partie du programme de transformation numérique BP2S appelé « <strong>Smart Data </strong>» incluant la monétisation et la valorisation des données, la blockchain, le RPA et l'intelligence cognitive.&nbsp;</p><p></p><h2><strong>🎯 Objectifs</strong></h2><p></p><p>Fournir à l’entité BP2S Risk des indicateurs analytics permettant d’accroître l'efficacité de la gestion des risques, notamment.&nbsp;&nbsp;</p><ul><li><p>des tableaux de bord de suivi multi-sites sur le risque client (exposition au risque, utilisation du financement, chiffre d'affaires, limites de crédit, solde de trésorerie)&nbsp;</p></li><li><p>des rapports détaillés pour comprendre l’impact du risque</p></li></ul><p></p><h2><strong>👷‍♂️ Equipe</strong></h2><p></p><ul><li><p>1 data architecte</p></li><li><p>4 data ingénieurs</p></li><li><p>1 testeur</p></li><li><p>1 PO</p></li><li><p>1 Scrum master</p></li><li><p>3 ingénieur front-end</p><p></p></li></ul><h2><strong>🏗️ Stack technique</strong></h2><p></p><ul><li><p>Hadoop&nbsp;</p></li><li><p>Hbase</p></li><li><p>Oozie</p></li><li><p>Java / Spring Boot / Swagger</p></li><li><p>Apache Drill</p></li><li><p>Spark / Scala&nbsp;</p></li><li><p>SSO&nbsp; SAML / JWT&nbsp;</p></li><li><p>Zookeeper / Kerberos</p></li><li><p>IBM WebSphere / Memcached</p></li></ul><p></p><div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/clx1sbejs02q25vbugm6ugtzm.png"><div class="image-overlay"></div></div></div></div><h2><strong>👨‍🔬 Etapes de la solution</strong></h2><p></p><ol><li><p>Développement de pipelines d’ingestion et de transformation de données financières&nbsp;</p></li><li><p>Création de requêtes SQL l’analyse financière (Turnover, Exposure, etc.)&nbsp;</p></li><li><p>Création de scripts d’automatisation de tâches ETL&nbsp;</p></li><li><p>Création d’une application REST API&nbsp;</p></li><li><p>Configuration des accès utilisateurs au frontend avec SAML et OpenId Connect&nbsp;</p></li><li><p>Déploiement des applications frontend et backend en environnement UAT&nbsp;</p></li><li><p>Optimisation des requêtes SQL (caching)</p></li><li><p>Encadrement des Data Engineers juniors</p><p></p></li></ol><h2><strong>📊 Résultats</strong></h2><p></p><ul><li><p><strong>Optimisation de l’efficacité des processus pour les équipes Monitoring et Credit Analyst</strong></p></li><li><p><strong>Meilleure connaissance et réactivité face aux demandes clients</strong></p><p></p><div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/clx1sc2p002t75vbu3kbmcdto.png"><div class="image-overlay"></div></div></div></div><p></p><div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/clx1scf8d02zu61d46v0f2nr9.png"><div class="image-overlay"></div></div></div></div><p></p><div class="image-container"><div class="image-row-wrapper"><div class="image-wrapper"><img src="https://cdn.collective.work/clx1sgk5r03325vbu3b4i6sm3.png"><div class="image-overlay"></div></div></div></div><p><br></p></li></ul>

Développement de tableaux de bord d’indicateurs financiers pour l’analyse de risques

SQL Queries

Scala

MVP Risk View

Pattern Discovery in Data Mining

Introduction to Data Science

Machine learning, neural network, ARM, FPGA, ERlang, Lisp,

Senior data engineeer / architecte

- Acquisition et stockage de donnés 
- Mise en place de pipeline de données
- Modélisation de système d'information
- Monitoring de la qualité de la donnée
- Conseil sur les bonnes pratiques de développement

Senior Data Engineer

- Mise en place de pipeline de données
- Modélisation de système d'information
- Visualisation de données

Data Engineer

- Développement de tests d’acceptance automatique
- Développement et intégration middleware
- Investigation fuite mémoire

Software Engineer

- Développement de logiciels EPG pour clients Set-Top Box (Canal Sat, UPC, NOS, Vodafone.)
- Gestion d’une infrastructure CI/CD
- Développement de tests unitaires

Ange-Désiré GNABRO

Senior data engineeer / architecte

À propos

Expérience de travail

Senior Data Engineer

Data Engineer

Software Engineer

Software Engineer

Software Developer

Developer J2EE/PHP

Formation

Université Paris 8

INSTA - INSAM

Licences et certifications

Pattern Discovery in Data Mining

Introduction to Data Science

Portfolio

Ralph v1

Disneyland Paris

Next Best Engagement

Organon

Qlik AWS Connector

MSD

MVP Risk View

BNP Paribas

Talents

Recruteurs

À propos