Arthur SOWE

Management de données. Gouvernance de données. Migration de données et de besoins métiers. Accompagnement des métiers. Modélisation des données.

Contexte CABD : entité créée il y a moins de 6 mois. Mission, analyser les données e-business du groupe et proposer des axes d'amélioration concrets aux 39 caisses régionales. Actions • Recueil, analyse et formalisation des besoins métier , rédaction des spécifications fonctionnelles et validation des développements réalisés en coordination avec les équipes techniques. • Suivi des demandes utilisateurs via Jira priorisation, traçabilité et reporting de l'avancement auprès des parties prenantes. • Analyse des données e-business (leads, taux de transformation, parcours) via MicroStrategy et Metabase, requêtes SQL sur les bases de données groupe pour identifier les leviers de performance et formuler des recommandations concrètes aux 39 caisses. • POC Modèles Distributifs : suivi hebdomadaire sur 8 semaines via MicroStrategy et SQL comparaison des taux de conversion par modèle distributif pour identifier le plus performant à l'échelle groupe. • Collaboration avec les Business Owners des 5 univers (assurance, conso, collecte, habitat, banque) analyse des KPI de conversion des parcours digitaux via MicroStrategy pour orienter les décisions produit. • Production des bilans mensuels e-business via MicroStrategy et SQL, synthèse des performances par caisse pour alimenter les plans d'action des responsables d'animation et diffuser les best practices leads. Résultats • CABD reconnue comme référence data e-business par les 39 caisses en moins de 6 mois d'existence grâce à des analyses régulières, fiables et actionnables. • Modèle distributif optimal identifié sur 8 semaines d'analyses recommandations actionnables transmises à la direction groupe pour déploiement à grande échelle.

Contexte Analyse des données capteurs IoT (température, CO₂) pendant les vendanges — transformer des signaux bruts en indicateurs décisionnels pour sécuriser la qualité de fermentation. Actions • Collecte et structuration des flux capteurs IoT (temps, température, CO₂) via Python et GCP BigQuery — pour transformer des données brutes en indicateurs fiables et exploitables par les équipes terrain. • Conception de dashboards temps réel sous Power BI (connectés à BigQuery) et modèles prédictifs CO₂ via Python Machine Learning — pour anticiper les pics de risque qualité avant qu’ils surviennent. • Mise en place d’alertes automatiques via Power Automate sur seuils définis avec les experts qualité — pour déclencher des actions correctives en temps réel et garantir la traçabilité complète des données. Résultats • Anomalies de fermentation détectées en amont grâce aux modèles prédictifs — risques qualité significativement réduits dans un contexte de forte pression temporelle (vendanges). • Passage d’un pilotage réactif à un pilotage prédictif grâce à la centralisation des données IoT sous BigQuery décisions terrain plus rapides, données fiabilisées et centralisées.

Contexte Groupama Nord-Est — contexte de modernisation groupe : DWH commun, migration COGNOS → Qlik Sense, harmonisation des KPI. Rôle : accompagner la transformation data et faire adopter les nouveaux standards. Actions • Roadmap data construite et priorisée via Jira et ateliers de cadrage — selon les OKR métiers des 6 directions pour aligner chaque livrable data sur la valeur business attendue. • Backlog géré et user stories rédigées sous Jira, sprints de 2 semaines animés avec les équipes data engineers et BI — pour assurer un delivery régulier et aligné sur les priorités métiers. • KPI stratégiques définis avec les métiers et fiabilisés via SQL et Informatica sur le DWH groupe — pour garantir une lecture commune et cohérente de la performance entre les 6 directions. • Instances de gouvernance animées (steering committees, ateliers de cadrage, revues de sprint) avec Jira et Confluence — pour maintenir l’alignement entre décideurs et équipes techniques tout au long du projet. • Formations Qlik Sense, ateliers d’acculturation data et supports pédagogiques produits avec Confluence — pour accélérer l’adoption des nouveaux outils et élever la maturité data des équipes métiers. Résultats • Migration COGNOS → Qlik Sense réussie sur l’ensemble des 6 directions — adoption rapide grâce à un change management structuré et des formations ciblées. • KPI harmonisés via le dictionnaire de données partagé — moins de conflits d’interprétation entre directions, décisions stratégiques plus rapides et plus fiables. • Confiance métier dans la donnée nettement améliorée — les 6 directions s’appuient désormais sur des reportings Qlik Sense fiabilisés pour leurs décisions opérationnelles.

Contexte Traduire les besoins opérationnels en dashboards KPI actionnables pour les équipes terrain. Actions • Conception et déploiement de dashboards KPI opérationnels sous Power BI (DAX, Power Query) connectés aux bases SQL via ETL — pour outiller les équipes locales avec des indicateurs actionnables en temps réel. • Automatisation des reportings via Python et Power Query, structuration des flux de données via ETL — pour éliminer ~10h/mois de tâches manuelles répétitives et fiabiliser la donnée. Résultats • ~10h/mois économisées grâce à l’automatisation — équipes terrain plus autonomes et décisions opérationnelles plus rapides.

Contexte Intégration de Kizeo Forms au SI — pipeline automatisé de collecte et centralisation des données terrain. Actions • Développement Python avec API REST Kizeo Forms : collecte, nettoyage et chargement automatique en base PostgreSQL/MySQL — pour centraliser les données terrain sans aucune intervention manuelle. • Tests d’intégration SI et validation technique du pipeline Python-SQL — pour garantir la fiabilité et la conformité des données avant mise en production. Résultats • Pipeline stable en production depuis la livraison — gain de productivité mesurable pour les équipes terrain, zéro intervention manuelle requise.