Ilyas Et-taoussi

Contexte : Fiabilisation et consolidation des données clients et média, dont Google Analytics 4 (GA4), sur quatre BUs retail pour soutenir le pilotage de la performance commerciale. Migration vers de nouveaux standards de modélisation dbt/Snowflake et accompagnement de leur appropriation par les équipes. Responsabilités : • Analyse des modèles existants, de leurs dépendances et des règles métiers pour préparer la migration des données clients et média vers les standards cibles. • Consolidation des données GA4 des quatre BUs retail dans un mart commun, afin de faciliter une lecture homogène de la performance digitale et commerciale. • Adaptation des transformations SQL/dbt sur Snowflake pour harmoniser la préparation des données et préserver la cohérence des règles métiers. • Fiabilisation des traitements complets et incrémentaux, de la déduplication et de l’historisation pour garantir des données exploitables dans le temps. • Mise en place de tests dbt et de contrôles de cohérence pour détecter les anomalies et sécuriser les données mises à disposition des équipes métier. • Pilotage du double run et développement de scripts Python de comparaison pour analyser les écarts et valider les résultats avant la bascule. • Adaptation de l’orchestration Airflow pour assurer l’actualisation quotidienne des données et la bonne exécution des dépendances. • Investigation et correction des anomalies ; gestion des évolutions de code avec Git et GitHub. • Documentation des modèles, macros et règles de transformation pour faciliter la maintenance et rendre l’équipe autonome sur les nouveaux standards. Environnement technique SQL, Python, dbt, Snowflake, Google Analytics 4 (GA4), Airflow, Git, GitHub.

Contexte Dans un environnement industriel nucléaire, traitement de données issues de capteurs piézométriques pour accompagner la surveillance des sites. Le projet nécessitait de traduire des besoins métiers spécifiques en traitements analytiques fiables, avec des exigences fortes de qualité, de cohérence et de traçabilité des données. Responsabilités Analyse des besoins métiers liés à l’exploitation des mesures piézométriques et traduction de ces besoins en règles de qualité, indicateurs et modèles de données. Conception d’une architecture analytique reposant sur BigQuery et dbt pour organiser les données et structurer les étapes de transformation. Développement de traitements Python pour préparer et intégrer les données dans les pipelines analytiques sur GCP. Implémentation des transformations SQL/dbt pour appliquer les règles métiers et produire des données exploitables pour le suivi des mesures. Mise en place de tests et de contrôles de cohérence afin d’identifier les anomalies et de fiabiliser les données mises à disposition. Organisation de la traçabilité des transformations pour faciliter la compréhension des résultats et l’investigation des écarts. Industrialisation des pipelines avec Google Cloud Storage, BigQuery, Cloud Run et Airflow pour automatiser les traitements et leur enchaînement. Application des pratiques DataOps : versionnement Git, intégration continue, revues de code et suivi des exécutions. Documentation des modèles, des règles métiers et des indicateurs pour faciliter la maintenance et le partage des connaissances. Environnement technique Python, SQL, dbt, GCP, BigQuery, Google Cloud Storage, Cloud Run, Airflow, Git, GitLab CI.

Contexte : Standardisation et automatisation de 55 statistiques pour accélérer le pilotage. Missions : Cartographie des besoins & état des lieux Automatisation des dashboards Animation du groupe de travail et adoption