Ilias Laadar

Projet « Data Hub » : Concevoir et faire évoluer la plateforme Big Data permettant la collecte, le traitement et la mise à disposition de données à grande échelle pour les besoins métiers (Risk-Finance, Conformité LCB-FT, Fraude, Marketing…). • Elaboration de processus et de procédures opérationnelles • Analyse, clarification et détermination des besoins • Collecte et intégration de données brutes issues de multiples sources (CIS, CRM, Bourse…) • Création de golden sources et mise en place de contrôles de Data Quality pour le socle Big Data • Développement d’applications from scratch et reprise d’applications existantes ➢ Exploitation et analyses approfondies de la donnée ➢ Mise en place de flux de traitement de données ➢ Implémentation de nouveaux scénarios, KPI, nouvelles fonctionnalités… ➢ Optimisation des performances (ressources spark, code…) • Développement de librairies communes aux applications • Industrialisation des déploiements via des pipelines CI/CD • Migration des projets vers une nouvelle plateforme : Airflow • Migration de Spark 2 vers Spark 3 • Refacto d’anciens projets et d’applications legacy (réécriture, restructuration et optimisation du code) • Mises à niveau suite aux audits de la BCE • Intégration de tests (unitaires, bout en bout, fonctionnels, non-régression, double run…) • Respect des standards de développement et sécurisation des données sensibles (RGPD) • Maintien de la documentation (fiches projet, linéage de données, incidents et problèmes techniques…) • Mises en production, maintien en conditions opérationnelles (MCO) et monitoring des applications et de la plateforme Big Data • Référent technique sur plusieurs applications stratégiques du socle Big Data Environnement technique : Scala, Python, Spark / PySpark, Hadoop Cloudera, Hive / SQL, HDFS, Airflow, Git, Jenkins, Shell, Hue, Zeppelin, Nifi, Nexus / Jfrog, Grafana, SonarQube, Jira / Confluence, Méthodes Agiles

Projet « Big Data Analytics » : Concevoir, développer et enrichir la plateforme Big Data centralisant les données opérationnelles des activités en développant des applications Big Data (Fraude, Douane, Presse…). • Participation à la conception de l’architecture technique des projets • Proposition de processus et de modes opératoires • Appui au cadrage des besoins • Développement et déploiement d’applications Big Data au sein du Datalake ➢ Ingestion de différents types et sources de données ➢ Exploration et analyse des données ➢ Construction de pipelines (nettoyage, préparation et transformation des données) ➢ Développement des nouvelles fonctionnalités du projet ➢ Mise à disposition des données sur le Datalake ➢ Optimisation des performances et des ressources • Migration des projets de Hadoop vers Microsoft Azure et Databricks • Industrialisation des déploiements via des pipelines CI/CD • Intégration de tests (unitaires, fonctionnels, double run…) • Bonnes pratiques de développement et chiffrement des données à caractère personnel (RGPD) • Rédaction de documentation (dossier d’exploitation, manuel d’installation serveur, mapping de données…) • Mise en production et maintien en conditions opérationnelles (MCO) des applications • Responsable d’applications majeures du socle Big Data Environnement technique : Scala, Python, Spark / PySpark, Hadoop Cloudera, Microsoft Azure, Databricks, Hive/SQL, Azure DevOps, Git, Jenkins, HDFS, ADLS, Shell, Bash, Kafka, Dataiku, Nexus, SonarQube, Jira / Confluence, Méthodes Agiles

Projet « ICY » : Concevoir, développer et maintenir les solutions de collecte, de traitement et d’analyse des données financières. L’objectif est de renforcer la supervision des marchés et de faciliter l’exploitation des données réglementaires à des fins de contrôle et d’investigation. • Prise en main et analyse de l’existant du projet • Étude des normes de développement • Ingestion de différents types et sources de données • Exploration et analyse des données • Construction de pipelines (nettoyage, préparation et transformation des données) • Développement des nouvelles fonctionnalités du projet • Alimentation de datasets dans le Datalake pour les usages Métiers et Data Science • Automatisation des déploiements et intégration continue (CI/CD) • Extractions et analyses de données pour les métiers • Analyses de qualité de code • Monitoring des applications en production Environnement technique : Python, PySpark, Hadoop Cloudera, HDFS, Hive/SQL, Git, Jenkins, Hue, Zeppelin, Nexus, ELK (Elasticsearch / Logstash / Kibana), Grafana, Shell, SonarQube, Jira / Confluence, Méthodes Agiles