Hakim DJOMO

• Développé des modèles de régression, de classification et de détection d’anomalies afin d’identifier des leviers de performance énergétique, à l’aide de Python et de techniques de machine learning. • Fiabilisé la production d’indicateurs opérationnels en collectant, nettoyant et analysant des données énergétiques avec Pandas, NumPy et SQL. • Automatisé les opérations de transformation et de préparation des données grâce à des scripts Python réutilisables et intégrables aux environnements applicatifs. • Traduit les besoins des équipes métier en solutions data concrètes en collaboration avec les équipes techniques.

• Amélioré de 15 % le taux de conversion en développant et en comparant des modèles de scoring client fondés sur SVM, XGBoost et CatBoost. • Contribué à une augmentation de 15 % des ventes en automatisant les reportings hebdomadaires avec Python, SQL et Power BI. • Optimisé la segmentation et la compréhension des utilisateurs grâce à K-Means, DBSCAN, au clustering hiérarchique et à l’analyse de sentiments. • Industrialisé des cas d’usage de Machine Learning en exploitant des API externes, des outils d’IA générative et des pipelines d’évaluation de modèles.

• Atteint 94 % de précision en développant un algorithme NLP de classification automatique des risques appliqué à 395 fichiers PDF. • Réduit le traitement des dossiers clients à moins de 10 minutes par fichier grâce à un pipeline Python d’extraction, de structuration et d’analyse documentaire. • Collecté et structuré plus de 12 000 données issues de sources JSON, CSV et textuelles pour alimenter les pipelines analytiques. • Augmenter de 20 % le volume de données labellisées afin d’enrichir le corpus NLP et d’améliorer les performances des modèles.

• Automatisé la collecte de données web en développant des scripts Python connectés aux moteurs de recherche. • Amélioration de l’évaluation de la pertinence documentaire grâce à des techniques de classification et d’analyse sémantique basées sur le NLP. • Enrichir des bases de connaissances en collectant, structurant et analysant des documents non structurés. • Développé des traitements combinant OCR, NLP et OpenCV pour extraire et classifier des informations textuelles et visuelles.

• Conçue une architecture PostgreSQL de 50 tables permettant de gérer plus de 1 million de lignes de données pour 30 000 abonnés FTTH. • Automatisé l’intégration et le traitement des données clients grâce à des pipelines développés avec Apache Airflow et SQL. • Optimisé l’exploitation des données en développant des requêtes SQL complexes pour le calcul des KPIs et l’amélioration des performances. • Déployé l’application sur les serveurs de production et intégré des API externes afin d’étendre les fonctionnalités du système.