Ikram ABIDAT

Contexte : Administration des ventes, service client. Stack : Power BI, DAX, Power Query, Power Apps, Power Automate, Excel, SharePoint, Confluence. ❖ Développer des dashboards Power BI pour suivre les paiements de remises de fin d’année accordées aux 20000 pharmacies en France sur leurs commandes. ❖ Créer des KPI avancés avec DAX : taux de paiement, délais moyens, écarts vs budget. ❖ Automatiser la classification des mails clients via Power Automate pour prioriser les commandes critiques et simplifier le pilotage quotidien des équipes commerciales. ❖ Déployer la sécurité granulaire (RLS) pour filtrer les accès aux données selon les régions, les groupements clients et les profils utilisateurs. ❖ Former les utilisateurs métiers (workshops, tutoriels, documentation technique).

Contexte : Infrastructures 5G optimisées par approche data-driven. Stack : Azure Synapse Notebooks, Python, Pandas, Plotly, Power BI, Jira, Gitlab, Confluence. ❖ Instaurer la gouvernance de qualité de données pour assurer la mise en conformité des flux drones. ❖ Développer un pipeline ETL sous Azure Synapse en Python pour le nettoyage et l'alignement des flux de géolocalisation, météo et QoS des drones. ❖ Développer un modèle hybride LSTM-Transformers pour l'analyse spatio temporelle des données afin de prédire les zones de couverture 5G optimales. ❖ Résultats : précision du modèle à 94% avec une réduction de 20% des zones blanches. ❖ Concevoir un dashboard Power BI permettant aux responsables d'infrastructure de simuler l'impact des nouvelles trajectoires drones sur la réduction des zones blanches.

Contexte : Lutte contre la désinformation numérique via l'analyse de flux sociaux. Stack : Python, PyTorch, BERT, NLTK, Pandas, Twitter API. ❖ Industrialiser la collecte via l'API Twitter pour structurer des bases de données massives nécessaires à l'étude des mécanismes d'influence. ❖ Piloter l'audit de qualité des flux via le filtrage du bruit, des spams et la validation des métadonnées pour sécuriser l'intégrité des analyses. ❖ Benchmarker les architectures NLP incluant CNN, LSTM et Transformers afin d'identifier la solution la plus performante. ❖ Fine-tuner le modèle BERT pour atteindre 87% de précision en analyse de sentiments sur des flux sociaux.