Aymen Benaissa

Data Platform & Data Engineering - Conception et développement de pipelines de données sur Databricks pour l’ingestion, la transformation et l’exposition des données métier - Développement de jobs Databricks permettant la normalisation, l’enrichissement et la consolidation de plusieurs millions de métadonnées industrielles - Structuration des données selon une architecture Lakehouse afin d’améliorer leur exploitabilité et leur traçabilité - Création et mise à disposition de datasets destinés aux équipes métier et aux usages analytiques - Optimisation des traitements et des flux de données dans un contexte de forte volumétrie Data Engineering & API - Développement et évolution d’une API FastAPI centralisant la gestion des métadonnées - Mise en place de bonnes pratiques de développement (validation de schémas, documentation, structuration des échanges) - Exposition de données fiables et exploitables pour les équipes métier Ingestion & Transformation de données industrielles - Parsing et ingestion automatisée de fichiers ICD/XML issus d’équipements terrain - Extraction, transformation et normalisation de données métier (vitesse du vent, température, puissance, production énergétique, etc.) - Industrialisation et automatisation des traitements pour gérer des formats de données hétérogènes - Mise en œuvre de règles de transformation garantissant la cohérence et la qualité des données Qualité, normalisation & historisation - Conception d’un système d’identifiants pérennes basé sur la nomenclature constructeur - Gestion des évolutions de noms métier afin de garantir la continuité historique des données - Amélioration de la traçabilité, de la qualité et de la gouvernance des données techniques - Participation à la standardisation des métadonnées au sein de la plateforme data

Mission dans un environnement bancaire autour d’un datalake AWS, avec des enjeux forts de fiabilité, de performance et d’industrialisation des pipelines de données en production. Data Engineering & Transformation - Développement et maintenance de pipelines de données pour l’ingestion et la transformation de données multi-sources - Conception de flux ETL permettant la collecte, la standardisation et l’enrichissement des données métier - Développement de modèles de transformation avec dbt afin de structurer et fiabiliser les données destinées aux usages analytiques - Optimisation des traitements de données pour améliorer les performances et la scalabilité de la plateforme Data Quality & Modélisation - Mise en place de tests de qualité des données et de contrôles de cohérence sur les jeux de données critiques - Développement et maintenance de modèles de données analytiques adaptés aux besoins métier - Documentation automatisée des modèles et des transformations via dbt - Participation à l’amélioration de la qualité, de la gouvernance et de la traçabilité des données Orchestration & Industrialisation - Orchestration des workflows de données avec Apache Airflow (Cloud Composer) - Automatisation des traitements et des dépendances entre pipelines de données - Contribution à l’industrialisation des environnements et des déploiements via Terraform et GitLab CI - Participation à l’amélioration des processus CI/CD et des bonnes pratiques DataOps Environnement technique - GCP (Cloud Run, Cloud Scheduler, Cloud Storage, Cloud SQL, Composer, Secret Manager) - Python, SQL, dbt, Apache Airflow - Docker, Terraform, GitLab CI

Mission pour un client du secteur bancaire, au sein d’un environnement data orienté datalake AWS. J’ai contribué à la maintenance, à l’évolution et à l’industrialisation des pipelines de données alimentant le datalake, dans un contexte à forts enjeux de fiabilité et de scalabilité. Data Engineering & ETL • Maintenance et évolution des pipelines ETL alimentant le datalake • Traitement et transformation de données avec Spark (Scala, Python) • Amélioration de la robustesse et de la performance des traitements existants Évolution de la plateforme data • Développement de nouvelles fonctionnalités pour les utilisateurs du datalake • Amélioration de l’accessibilité et de l’exploitation des données • Contribution à l’enrichissement des datasets et des usages Industrialisation & Cloud • Industrialisation des déploiements d’infrastructure sur AWS • Mise en place et amélioration de pipelines CI/CD (Terraform, GitLab CI) • Automatisation des processus pour fiabiliser les mises en production Environnement technique AWS (Glue, Athena, Step Functions, Lambda, S3, EC2, EMR, RDS, SSM, KMS, IAM, CloudWatch) Spark (Scala, Python) Terraform, GitLab CI Méthodologie Agile (Scrum)

Mission de Data Engineer orientée datalake, avec une forte composante backend et automatisation des flux de données. Data Engineering • Création et alimentation de tables d’ingestion et d’exposition (Python, SQL) • Structuration des données pour répondre aux besoins analytiques • Participation à la mise en place des flux de données entre ingestion et exposition Backend & APIs • Développement du back-end du datalake (Django, API REST) • Mise en place d’APIs pour exposer et faciliter l’accès aux données • Contribution à la structuration des échanges entre systèmes Orchestration & automatisation • Automatisation de tâches data (ingestion, transformation, génération de rapports) • Mise en place de workflows avec Airflow • Fiabilisation des traitements récurrents Environnement technique Python, SQL Django, API REST Apache Airflow

- Mise en place d'une data pipeline sur GCP permettant de stocker et analyser les données provenant des milliers de capteurs présent sur les sites d'exploitation de Veolia. - Développement d'indicateurs (environnement BigQuery) à partir des données issues des capteurs