Essaidi Loubna

* Référente data sur les sujets clients : compréhension métier approfondie, traduction des besoins en solutions techniques, et accompagnement des équipes produit. * Réalisation d’analyses avancées et d’insights pour les équipes business, avec une forte orientation vers l’aide à la décision. * Conception et optimisation de requêtes SQL complexes dans BigQuery pour répondre aux besoins métiers et améliorer les performances. * Création de dashboards Power BI pour le suivi de KPIs stratégiques, avec automatisation des pipelines de données selon les besoins. * Mise en place de pipelines automatisés avec DBT pour la transformation des données et Terraform pour l’infrastructure as code, assurant la scalabilité et la reproductibilité des environnements. * Participation à la définition de solutions data : structuration des modèles, proposition d’architectures adaptées, et mise en place de bonnes pratiques.

* Conception et mise en œuvre de pipelines de données automatisés et tolérants aux erreurs à l’aide de Cloud Functions (Python), assurant l’extraction fluide des données via des APIs REST. * Développement de scripts Python pour la gestion de l’authentification, la pagination, la manipulation de payloads JSON, le nettoyage, la normalisation, et la transformation des données avant ingestion dans BigQuery. * Architecture de stockage structurée : transformation des payloads JSON, stockage temporaire sur Cloud Storage, ingestion optimisée vers BigQuery. * Mise en place d’un processus de nettoyage et de normalisation des données sur l’ensemble de la chaîne : Data Lake (brut), Data Warehouse (standardisé), Data Mart (modélisé pour les usages métier, incluant la couche sémantique pour une meilleure lisibilité et compréhension par les utilisateurs métier). * Traitement & standardisation avancée des données via Dataform, avec définition de modèles métiers, calculs de métriques, et contrôles de qualité automatisés * Mise en place d’un modèle de sécurité granulaire avec IAM, incluant des restrictions d’accès au niveau des colonnes sensibles dans BigQuery (Policy Tags). * Déploiement CI/CD automatisé via GitHub : chaque modification déclenche un déploiement sans intervention manuelle grâce à des workflows intégrés. * Orchestration cloud-native des workflows de données via Cloud Scheduler, Cloud Functions, et Cloud Composer, assurant un déclenchement autonome et fiable des traitements (extraction API, transformation, chargement BigQuery). * Mise en place de mécanismes de monitoring, gestion des dépendances et tolérance aux erreurs, inspirés des bonnes pratiques Airflow

* Analyse approfondie des besoins métiers : collaboration directe avec les responsables logistiques pour définir les indicateurs clés de performance (KPIs), identifier les pain points opérationnels et co-construire les solutions analytiques. * Automatisation complète de la chaîne de traitement : ingestion, nettoyage, agrégation et modélisation des données logistiques à l’aide de Python, BigQuery, et Dataform pour garantir la fiabilité et la fraîcheur des indicateurs. * Création de tableaux de bord dynamiques dans Looker Studio, intégrant des filtres intelligents et des visualisations stratégiques pour le pilotage logistique (suivi des flux, délais, déplacements opérateurs) et la prise de décision opérationnelle. Mise en valeur de KPIs métiers tels que les temps de traitement, les distances parcourues, les volumes traités, avec une automatisation complète de la chaîne de données. * Valorisation de données terrain : exploitation des données issues des WMS et systèmes automatisés pour analyser les flux, les déplacements des opérateurs, et détecter des leviers d’optimisation (réduction des distances, des délais, etc.). * Optimisation du coût de la donnée : mise en place de requêtes SQL performantes dans BigQuery, réduisant les volumes scannés et les coûts liés à l’exécution. * Travail agile en interaction constante avec les métiers, les équipes IT et les responsables entrepôts