Badr Khaldoune

-Conception et industrialisation de pipelines ELT marketing permettant l’intégration et l’harmonisation de données multi-sources (Google Ads, Meta, CRM, etc.), garantissant la qualité, la traçabilité et la cohérence des KPI. -Maintenance et refonte de dashboards décisionnels pour des clients grands comptes (dont Europcar), avec optimisation des requêtes SQL et amélioration de la fiabilité des indicateurs pour le pilotage marketing. -Développement d’une API automatisée en Python pour la plateforme Meta Ads, permettant la collecte horaire des performances durant des périodes critiques (Soldes, Black Friday), avec gestion des rate limits, reprise sur incident et historisation des données. -Conception et entraînement d’un modèle bayésien de Marketing Mix Modeling (MMM) utilisant Meridian afin d’estimer l’impact incrémental des leviers marketing et d’optimiser l’allocation budgétaire. -Déploiement et orchestration des traitements dans un environnement cloud scalable (Docker, Google Cloud Platform, Cloud Run, BigQuery) afin d’assurer la robustesse, l’observabilité et la maintenabilité des solutions data.

-Pilotage du projet ATHD (Auvergne Très Haut Débit) visant le déploiement de la fibre optique dans la région du Rhône. -Automatisation de processus métiers via Power Automate, réduisant significativement le temps consacré aux tâches répétitives et améliorant l’efficacité opérationnelle des équipes. -Mise en place de flux de données alimentant des tableaux de bord Power BI, permettant un suivi en temps réel de l’avancement du projet et des indicateurs clés. -Réalisation d’analyses avancées sur les données du projet, incluant détection d’anomalies et modélisation prédictive des délais d’achèvement afin d’anticiper les retards de chantier.

-Conception d’un système d’extraction automatique de données à partir d’images basé sur OCR (Tesseract) et OpenCV avec prétraitements avancés pour améliorer la qualité de reconnaissance. -Développement d’une API de traitement d’images permettant l’intégration du moteur OCR dans des applications métiers. -Conception d’un modèle supervisé de détection de fraude, entraîné sur des données annotées pour identifier des anomalies dans les documents analysés. -Amélioration de la précision de détection jusqu’à 98 %, renforçant la fiabilité du système d’analyse automatique.