Fernando Gonsallo

– Développé des reportings décisionnels sous Power BI (DAX avancé), réduisant le temps de production de 2h à 5 minutes grâce à une actualisation dynamique avec power automate. – Conçu des traitements SAS en lien avec les équipes métiers (choix des outils, règles de gestion, méthodologie) pour fiabiliser et industrialiser les analyses décisionnelles. – Requêter les bases Oracles et Amazon Redshifts sous SAS/SQL et automatisé les extractions récurrentes de données de prévoyance, sécurisant le run sur les cotisations de contrats courtés. – Contribution à la rédaction de spécifications fonctionnelles détaillées en lien avec les équipes MOA. – Recueil et priorisation des besoins métiers.

– Automatisé les reportings d'épargnes sous SAS/SQL, puis Python, réduisant le temps de traitement d'environ 1h30 à 5 minutes et fiabilisant les livrables Excel pour les équipes métiers. – Responsable de l'ambitionnement des produits structurés et de la production du reporting Épargne financière avec la production d'indicateur sur les arbitrages euro-UC, alliage gestion, collecte brute Epafi et OPC. – Décommissionnement Sas vers Dataiku. – Participation aux phases de recette et de validation des outils de reporting avec les équipes métier. – Assuré le Run et le maintient de l'existant (SAS/SQL/VBA), en optimisant les chaînes de traitements et en gérant les sujets annexes au reporting d'épargne. – Réalisé des extractions et analyses de données sur Teradata pour le projet <Fonds de Commerce>, avec restitution sous forme de reportings décisionnels à destination du métier. – Recueil des besoins métiers.

– Assuré le run et le développement des projets data existants (SAS/SQL/ArcGIS), en optimisant les chaînes de traitements. – Créé des tableau de bord sur ArcGIS PRO et production de données via l'ETL (ESRI). – Développé de nouveaux projets (dont création d'un polygone des codes postaux sur la métropole).

– Modélisé sous SAS (SAS GUIDE) un score d'appétence à l'UC-ISR à travers une pipeline de données et construction d'une grille de score utile pour les équipes marketing. – Exploration sous Python des modèles de machine learning : Random Forest, régression logistique et SVM.