Benoit Menuge

Conception de solutions data-driven – De l’acquisition à la diffusion des données, en passant par leur transformation et analyse, je développe des outils innovants pour optimiser vos processus métiers. Compétences clés : ✔ Développement Python avancé : Automatisation de traitements complexes (Geopandas, NumPy, SQLAlchemy, Flask/FastAPI, Polar), création d’APIs et de solutions personnalisées (géocodeurs, analyse spatiale). ✔ Pipelines de données et ETL : Transformation, nettoyage et enrichissement de jeux de données (FME, GTF, RabbitMQ), avec une expertise en streaming temps réel (Cumulocity, TIBCO). ✔ Bases de données et modélisation : Conception de MCD, optimisation de PostgreSQL/PostGIS et SQL Server, et intégration de données pour des applications critiques. ✔ DevOps et qualité logicielle : Conteneurisation (Docker), gestion de buckets S3, et bonnes pratiques (Git, SonarQube, tests unitaires) pour garantir des solutions robustes et maintenables. ✔ Innovation et veille technologique : Développement de Proofs of Concept (PoC) pour évaluer et intégrer de nouvelles méthodes d’analyse, avec une approche orientée résultats. Atout différenciant : Double expertise en géomatique (QGIS, GeoServer, ArcGIS) et en data science, permettant de croiser analyse spatiale et traitement de données pour des solutions encore plus puissantes. Impact : Mes contributions ont permis d’optimiser l’efficacité des traitements, d’améliorer la qualité des données et de faciliter la prise de décision grâce à des démonstrations concrètes et des outils conteneurisés. Environnement technique : Python, PostgreSQL/PostGIS, SQL Server, FME, Docker, RabbitMQ, Git, SonarQube, S3, C#, GitHub Copilot.

Expérience en recherche et analyse de données complexes : Durant ma thèse, j’ai mené une étude approfondie sur la dynamique des estuaires picards en exploitant des données LiDAR et satellites multispectrales. Ce travail m’a permis de développer des compétences solides en traitement de données massives, analyse spatiale et modélisation, applicables à des enjeux variés en data science. Principales réalisations et compétences acquises : Analyse et cartographie avancée : Cartographie de la granulométrie par imagerie satellite pour étudier les déplacements sédimentaires (publications en conférences et articles scientifiques). Étude de l’évolution morphologique des estuaires et de son impact sur l’hydrodynamisme, combinant analyse temporelle et spatiale. Compétences techniques : Développement et automatisation : Utilisation intensive de Python (rasterio, Sklearn, NumPy, Pandas, Geopandas, Seaborn) et R (raster, rgdal, gstat, ggplot2, développement d’applications Shiny) pour le traitement et la visualisation de données. Traitement de données géospatiales : Manipulation de fichiers LAS pour générer des Modèles Numériques de Terrain (MNT/MNS), et maîtrise des outils SIG (SNAP-STEP, QGIS, ArcMap). Environnement technique : Utilisation de systèmes Linux pour le traitement de données et la gestion de workflows complexes. Soft skills et encadrement : Rédaction d’articles scientifiques et de rapports techniques, avec une capacité à vulgariser des concepts complexes. Expérience en encadrement de stagiaires et en enseignement (84h de cours en SIG, géomorphologie et gestion du littoral en tant qu’enseignant vacataire). Points forts pour un poste de Data Scientist / Développeur Python : ✔ Traitement et analyse de données : Expérience confirmée dans la manipulation de données structurées et non structurées, avec une expertise en analyse spatiale et temporelle. ✔ Développement d’outils personnalisés : Création de scripts et d’applications (Shiny, Python) pour automatiser des processus et faciliter la prise de décision. ✔ Visualisation et communication : Capacité à transformer des données complexes en visualisations claires et en récits accessibles (ggplot2, Seaborn, cartes interactives). ✔ Rigueur scientifique et pédagogie : Expérience en rédaction scientifique, encadrement et transmission de connaissances techniques.

– Titre du stage : Cartographie des espaces estuariens par télédétection HR et hyperspectrale. Intégration à une approche multi-capteurs. A travers stage, je renforce les capacités acquises lors de mon dernier stage. J'ai amélioré ma connaissance en programmation R et Python 3. Ma connaissance de QGIS est aujourd'hui quasiment complète. – Le stage a demandé l'application d'un protocole d'analyse sur des échantillons de sédiments et de traitement de données.

– Relation entre le faciès sédimentaire et microphytobenthos. Utilisation de la granulométrie, télédétection, spectromètre et SIG