Boussaad OUARI

Mission en interne : Data Engineer 04/2025 - 11/2025 Pour le compte du département Marketing d'AVISIA, participation en tant que Data Engineer à l’automatisation de la récupération des données des réseaux sociaux pour des analyses business. Taches : • Recueil des besoins auprès de la Chief Marketing Officer pour cadrer les objectifs et les indicateurs clés. • Collecte de données : Extraction automatisée des données des réseaux sociaux d'Avisia via Fivetran, avec stockage centralisé dans BigQuery. • Création d’un script de scraping pour enrichir les données non accessibles directement via API. • Conteneurisation du code avec Docker, puis déploiement de l’image dans GCP Artifact Registry. • Mise en place d’un Cloud Run Job pour exécuter l’image, orchestré par Cloud Scheduler pour automatiser les lancements. • Création d’un pipeline de transformation avec Dataform pour structurer, nettoyer et modéliser les données. • Automatisation des mises à jour des tables via le Dataform scheduler pour garantir la fraîcheur quotidienne des données. Environnement et outils : Google Cloud Platform (GCP), Fivetran, Bigquerry, SQL, Dataform, Google Cloud Shell, Python, Docker, Google Cloud Artifact, Google Cloud Run, Google Cloud Scheduler

Intervention en tant que Data Engineer sur la conception et mise en place de contrôles visant à identifier les anomalies, suivre l'évolution de la qualité des données dans le registre des personnes. Élaboration d'un rapport synthétique permettant de détecter les incohérences, de suivre les indicateurs clés et de fournir une base fiable pour établir des plans d’action correctifs. Taches : - Analyse des besoins utilisateurs : Recueil et formalisation des exigences métiers pour définir les critères de qualité et les contrôles des données. - Extraction et transformation des données : Extraction des données depuis le data lake AWS S3, suivie de leur modélisation et transformation en Python pour obtenir des jeux de données structurés. - Développement d'une pipeline de contrôle des données : Conception et implémentation d'une pipeline sous AWS SageMaker intégrant des mécanismes avancés de détection et de remontée des anomalies. - Optimisation des performances : Amélioration de l'efficacité et de la rapidité des pipelines de traitement et des contrôles qualité sur AWS SageMaker pour des analyses plus performantes. - Création d'un rapport interactif : Développement d’un rapport Power BI pour le suivi des anomalies et l’évolution de la qualité des données dans le temps. - Documentation technique et fonctionnelle : Rédaction détaillée de la documentation pour assurer la traçabilité et le transfert des connaissances sur les solutions développées.

Pour le compte du département Data et BI, au sein d'une maison de luxe en parfumerie , intervention en tant que Data Engineer. Diptyque souhaite moderniser sa plateforme Data et a donc initié une démarche "Data Driven" en remettant l'analyse des données au cœur de sa prise de décision. Taches : - Analyse et formalisation des besoins utilisateurs : Recueil, analyse et documentation des exigences métiers pour orienter les évolutions de l’architecture de données. - Conception du Data Modeling : Élaboration de schémas de modélisation optimisés pour structurer efficacement les données analytiques. - Développement de pipelines ETL/ELT : Création et optimisation de workflows d’ingestion et de transformation des données, garantissant une intégration fluide entre diverses sources et Snowflake. - Automatisation de l’ingestion de données : Configuration et gestion des connecteurs Fivetran pour automatiser l’importation de données hétérogènes vers Snowflake. - Transformation des données avec DBT : Mise en place de pipelines structurés (staging, intermediate et marts) pour fournir des tables prêtes à l’analyse, assurant la qualité des données. - Implémentation de contrôles qualité : Déploiement de mécanismes de vérification pour garantir l’intégrité, la cohérence et la fiabilité des données traitées. - Gestion du versionnement et CI/CD : Administration du versionnement des scripts DBT et déploiement automatisé via des pipelines CI/CD sous GitLab, assurant ainsi la robustesse du code. - Revue de code : Réalisation de contrôles et de revues de code systématiques pour maintenir la qualité et la maintenabilité des solutions développées. - Documentation technique et fonctionnelle : Rédaction et mise à jour de la documentation sous Confluence pour favoriser la traçabilité et le partage des connaissances. - Surveillance et maintenance de l’architecture analytique. -Optimisation des coûts (FinOps) : suivi et ajustement des pipelines et modèles dbt pour contrôler l’usage des warehouses, optimiser les performances et maîtriser les coûts de stockage et de calcul. -Accompagnement des équipes data : support et diffusion des bonnes pratiques dbt pour faciliter l’appropriation des données et encourager une adoption généralisée au sein de l’entreprise.

Au sein du service Excellence Technique Dommage, je suis intervenu en tant que Data Scientist sur un projet qui consistait à faire de la simplification de l’expérience client lors de la souscription à un contrat Multirisques Habitation. Pour ce faire, Aviva a décidé de réutiliser les données clients lorsque celle-ci étaient présentes dans les bases de données internes et de prédire certaines réponses comme par exemple : type d’habitation, statut de l’occupant, nombre de pièces du logement, … - Constitution d’un dataset : Extraction des données internes via SAS et enrichissement par des données Open Data (Insee) pour garantir une base de données complète et fiable. - Préparation des données en Python : Réalisation de data cleaning (gestion des valeurs manquantes et des outliers) et mise en place d’un feature engineering adapté afin d’optimiser la qualité des variables. - Développement de modèles prédictifs : Conception de 5 modèles visant à prédire le type d’habitation, le statut de l’occupant, le nombre de pièces, la possession d’objets de valeur et la tranche de date de construction du logement, en expérimentant diverses approches de Machine Learning (XGBoost, réseaux de neurones). - Mise en production des solutions : Déploiement des modèles dans l’environnement opérationnel de l’entreprise pour une utilisation continue et automatisée. - Présentation et valorisation des résultats : Création d’une API REST locale via Flask pour des démonstrations en temps réel et développement d’une page HTML interactive pour une visualisation claire et dynamique des résultats auprès des équipes métiers.