Fatma Sellami

Analyse et optimisation des pipelines ETL Azure Data Factory / Snowflake pour améliorer performances et réduire les goulots d’étranglement. Refonte de l’architecture Snowflake (Bronze/Silver/Gold), création de tables matérialisées et optimisation des Virtual Warehouses. Mise en place de gouvernance et sécurité : RBAC, Row-level security, masquage dynamique et Storage Integration Azure. Industrialisation des déploiements via CI/CD avec Git et Azure DevOps. Environnement : Snowflake, Azure, Power BI, SQL

Participation à l’analyse et à la compréhension des besoins métiers afin de proposer des solutions data pertinentes. Cartographie et documentation des sources de données. Traduction des règles de gestion (RDG) en logique de transformation pour le calcul de métriques métiers clés. Développement de pipelines de transformation de données sur Spark (SQL, PySpark). Optimisation des performances des traitements sur des volumes de données importants. Fiabilisation et structuration des données pour leur exploitation en aval (reporting, analytics). Contribution à l’amélioration continue et participation aux revues de code. Environnement : PySpark, SQL

Déploiement et configuration d’une CDP pour centraliser et harmoniser les données clients. Conception et ingestion des flux de données via APIs REST et connecteurs, avec traitement et transformation dans Databricks /PySpark. Migration d’APIs locales vers une API globale pour standardiser et fiabiliser les flux de données. Création de KPIs et dashboards pour suivi qualité, monitoring des pipelines et performance des données. Collaboration avec équipes data et métiers pour assurer la cohérence et la fiabilité des données. Environnement : Azure, Databricks, PySpark

Migration de traitements SAS vers Python pour améliorer performance et maintenabilité des pipelines ETL. Automatisation et orchestration des pipelines ETL sur Azure Databricks et ADF. Mise en place de tests automatisés pour garantir la qualité et la cohérence des données. Optimisation des performances des pipelines via configuration des clusters, partitionnement et parallélisation des tâches. Environnement : Python, Azure, Databricks, ADF, SAS

Modélisation ML/DL pour des cas d’usage de segmentation clients. Ingestion, Nettoyage et Transformation de Big Data distribué avec Pyspark. Optimisation des performances des Pyspark jobs. Déploiement de projets avec Docker et Jenkins. Environnement: Python, Pyspark, MongoDB, Docker & Jenkins