Arthur Lekane

Missions: - Gouvernance des données : Audit et suivi de la gouvernance des données selon les bonnes pratiques DAMA-DMBOK. - Gestion des données : Mise en place et gestion d'un data catalogue. - Sécurité et design : Autorité sur les aspects sécurité et design des clusters Hadoop (HDP). - Études d’impact : Réalisation des études d'impact pour l'intégration de nouveaux flux de données, notamment provenant des sondes téléphoniques.

Conception et mise en place d'un cluster Elasticsearch Missions : - Planning capacity - Design des architectures physiques et fonctionnelles - Réalisation de la pipeline d'ingestion, configuration des index et de l'ILM (L'Index Lifecycle Management) - Reprise de données Environnement technique : Filebeat, Logstash, Spark streaming, Elasticsearch 7.5 Valeur business: Multiplication par 600 de la vitesse de recherche, amélioration significative de l’évolutivité, de la robustesse et modernisation des plateformes. Calcul des indicateurs de performance BI sur HDP Missions : - Développement d'une chaîne d’ingestion via Apache NIFI permettant la collecte simultanée vers HDFS (traitement batch avec Spark et Hive) et Kafka (traitement temps réel avec Spark Streaming). - Implémentation d’un orchestrateur Scala pour exécuter et gérer automatiquement des jobs diversifiés (Spark, Hive, Pig, Sqoop). - Conception et développement de jobs Spark SQL selon une architecture Medallion (couches Bronze, Argent, Or) pour assurer les transformations progressives et optimisées des données. - Monitoring et suivi opérationnel des composants Hadoop pour garantir leur disponibilité et leur performance. Environnement technique : Scala, Spark, SparkSQL, Hadoop, NIFI, Kafka, Gitlab CI/CD Valeur business: Amélioration significative des SLA grâce à une augmentation par dix de la vitesse de traitement, et optimisation de l’évolutivité et de la scalabilité des plateformes. Mise en place de la plateforme HDP (Hortonworks Data Platform) Missions : - Installation et configuration des services et applications Hortonworks Data Platform (HDP) suivant une architecture Lambda pour assurer la gestion efficace des données batch et temps réel. Environnement technique: HDP 3.1.0 (HDFS, YARN,NIFI, KAFKA, SPARK, HIVE , Zookeeper, Kerberos, Pig, ...) Mise en place de 2 modèles de prédiction (data IA) Missions : - Implémentation et industrialisation d'un modèle de régression logistique pour la détection de churn - Implémentation et industrialisation d'un modèle LSTM permettant la détection des ruptures de stock Environnement technique : Jupyter, Spark 3, Python 3.7 (Scikit-learn, TensorFlow, Keras), Airflow pour l'orchestration

Objectif : Digitaliser et automatiser les processus métiers critiques. Réalisations : - Automatisation de la détection et suspension des fraudes ByPass - Développement d’un portail client Selfcare (Web & USSD) - Création d’un outil de gestion des contrôles internes et missions d’audit Environnement technique : Architecture microservices déployée sur Openshift / Kubernetes ; développement multi-technologies (Python Falcon 2.0, PHP Laravel 5.4, ReactJs 15.2) ; gestion de projet sous Jira et versionning avec Git. Résultats obtenus : - Réduction de 95% des pertes liées aux fraudes ByPass - Diminution de 60% des plaintes clients - Amélioration de la traçabilité et réduction significative du temps de traitement des contrôles internes