El Mehdi Atty

Accompagnement des équipes data et métiers dans la structuration, la fiabilisation et la valorisation de leur écosystème data (retail, supply chain, finance), avec un objectif clair : améliorer le pilotage et préparer l’intégration de cas d’usage en IA générative. Interventions : Mise en place et optimisation d’un data warehouse sur Snowflake pour centraliser les données Modélisation avec dbt pour garantir des analyses fiables et cohérentes Création de dashboards Tableau pour le suivi des KPI (ventes, stocks, coûts, performance réseau) Harmonisation des indicateurs entre équipes finance, supply chain et retail Automatisation des contrôles de qualité des données pour sécuriser les reportings IA générative & valorisation de la data : Identification de cas d’usage à forte valeur (génération d’insights, aide à la décision) Préparation des données pour des usages LLM (structuration, qualité, logique RAG) Contribution à des approches permettant d’interroger la data en langage naturel Amélioration de l’analyse via des logiques d’analyse augmentée Automatisation & gains : Réduction des tâches manuelles de reporting et consolidation Détection plus rapide des anomalies et tendances Accélération de la production d’analyses fiables Résultats : Données fiabilisées et mieux exploitées par les équipes métiers Gain de temps sur les reportings et la prise de décision Meilleure visibilité sur la performance globale Base solide pour intégrer des cas d’usage en IA générative Objectif : permettre un pilotage plus rapide, fiable et orienté décision, en combinant data engineering, automatisation et IA générative.

helped me get this job

conception de pipelines ETL/ELT et développement de modèles de Machine Learning. Conception et automatisation de pipelines ETL/ELT avec Python, SQL, dbt et Snowflake. Développement de modèles de transformation avec dbt et structuration des données en couches staging, intermediate et marts. Mise en place de tests de qualité et de contrôles garantissant la fiabilité et la traçabilité des données. Nettoyage et préparation des données : traitement des valeurs manquantes, normalisation et création de datasets d’entraînement. Réalisation d’analyses exploratoires et de Feature Engineering pour identifier les variables pertinentes. Développement de modèles de classification, régression et clustering avec Scikit-learn. Évaluation et optimisation des modèles par validation croisée, sélection de métriques et réglage des hyperparamètres. Analyse, interprétation et visualisation des résultats avec Pandas, Matplotlib et Seaborn.