Chawki Trabelsi

Deux missions réalisées dans le cadre de la modernisation et de l’industrialisation de la plateforme de données de CELINE (LVMH). • Mission 1 (2022) – Migration vers GCP : • Préparation et animation d’ateliers d’architecture en lien avec les besoins métier • Définition des modes d’ingestion pour différentes sources de données • Déploiement des ressources et services sur Google Cloud Platform • Développement de jobs d’ingestion génériques (GCS → BigQuery) • Migration du datawarehouse existant vers BigQuery • Définition et développement des règles métiers de validation et de rejet • Mise en place de tests automatisés pour comparer les résultats legacy vs cloud • Implémentation des mécanismes de scheduling, logging et monitoring (Cloud Logging, Monitoring) • Rédaction des spécifications techniques et de la documentation • Accompagnement de l’équipe dans la prise en main de la nouvelle plateforme • Mission 2 (2023 – Aujourd’hui) – Industrialisation & évolution : • Conception et développement de pipelines d’extraction/ingestion depuis Salesforce, Y2, SharePoint, API, etc. • Animation d’ateliers métiers pour affiner les besoins fonctionnels • Modélisation des données et définition de l’architecture centrale (ventes, pricing, clients, produits, commandes) • Participation à la migration de l’ERP de JD Edwards (JDE) vers SAP : adaptation des pipelines, refonte des modèles de données, mise à jour des règles de gestion • Coordination avec les équipes ERP pour assurer la continuité et l’intégrité des données lors du basculement JDE → SAP • Mise en place des règles de validation, gestion des rejets et suivi de la qualité des données (KPI) • Migration des modèles vers Dataform GCP • Optimisation des requêtes et des modèles BigQuery dans une démarche FinOps, permettant une réduction de 40% de la facture mensuelle • Supervision des pipelines de traitement et des datasets Power BI • Documentation des processus et bonnes pratiques • Environnement technique commun : • Google Cloud Platform (BigQuery, Cloud Storage, Cloud Run, Cloud Build, IAM, Artifact Registry, Logging, Monitoring, Cloud SDK) • Python, SQL/SQLX, JavaScript, Dataform, DataSphere, Terraform • Power BI, JIRA, Confluence, Datadog

Mission d’amélioration et d’industrialisation de la Data Platform de Servier dans un environnement GCP. • Développement de pipelines d’extraction de données depuis diverses sources (Salesforce, SAP, SharePoint, API, etc.) • Ingestion et traitement des données dans BigQuery • Migration des transformations SQL vers dbt pour industrialisation et meilleure gouvernance • Migration des workflows CI/CD de GitHub vers GitLab (Cloud Build → GitLab CI) • Déploiement de ressources et services sur Google Cloud Platform • Implémentation de règles de validation et gestion des rejets • Suivi de la qualité des données via des KPI dédiés • Supervision complète des pipelines (extraction, ingestion, transformation, rafraîchissement Power BI) • Rédaction de la documentation technique (processus, outils, architecture) • Environnement technique : • Google Cloud Platform (BigQuery, Cloud Storage, GKE, Cloud Run, Cloud Build, IAM, Artifact Registry, Logging, Monitoring, Cloud SDK) • Python, SQL/SQLX, dbt, GitLab CI, Kubernetes, Terraform • JIRA, Confluence

Machine Learning && Data Science Engineered Machine Learning algorithm for dynamic price adjustment for supermarkets. • Integrated ELK stack with Spark using the connector Elasticsearch-Hadoop to apply proposed Machine Learning. • Implemented Sales-Directed Neural Network • Implemented Aggressive Pricing Neural Network. • Implemented Neural Network based on revenue. • Implemented Q-learning algorithm.