Dkhissi Imane

• Collecte, traitement et analyse de données IoT à grande volumétrie via Azure Synapse et Google Cloud Platform • Conception et automatisation de pipelines de données pour fiabiliser les flux entrants (Python, Azure DevOps) • Définition et formalisation de KPIs métiers selon les principes des 5V du Big Data (vélocité, volume, etc.) • Création de tableaux de bord dynamiques (Power BI) pour le pilotage opérationnel des équipements connectés • Fiabilisation des données en amont des analyses : gestion des valeurs manquantes, détection d’anomalies, structuration des sources • Documentation technique et fonctionnelle des règles de gestion, indicateurs, flux et modèles de données • Participation aux comités de pilotage en tant que référente data pour accompagner la prise de décision stratégique • Animation d’ateliers métiers pour identifier les besoins en reporting et accompagner les utilisateurs dans la lecture des indicateurs • Utilisation des méthodologies Agile/Scrum (suivi des tâches sous JIRA)

• Collecte et intégration de données issues de fichiers Excel et d'API dans des bases de travail structurées • Nettoyage, validation et fiabilisation des données via des contrôles automatisés • Analyse des données à l’aide de tests statistiques pour détecter des anomalies et appuyer les prises de décision • Création de tableaux de bord dynamiques et dataviz synthétiques (Excel, Power BI) pour le suivi des indicateurs RH • Développement d’un outil de suivi automatisé des NBI pour les personnels administratifs à l’aide de VBA et macros Excel • Rédaction de rapports d’analyse approfondis à destination de la direction RH et Finance, avec recommandations opérationnelles • Mise en place de processus de contrôle de qualité des données et de reporting réutilisables par les services • Collaboration transverse avec les équipes RH et SI pour améliorer l’exploitation des données et diffuser des bonnes pratiques

• Identification des besoins en données de l'institut et leurs objectifs d'analyse. • Collecter les données des différences sources de la chaîne alimentaire en France. • Nettoyage des données issues de ces sources. • Analyser les données pour identifier les secteurs et les produits les plus impactant en utilisant Python, R.

• Analyses statistiques.

• Conception et mise en place d’une base de données relationnelle pour centraliser les informations clients (identité, contact, activité...). • Créer des schémas de base de donnée adaptés pour stocker les informations et les données des clients collectées. • Vérification de la qualité des données (format cohérent, suppression des doublons, champs obligatoires).

• Assister à des réunions. • Saisir et mettre à jour les demandes clients.