imad berkani

Au sein d'une équipe Data rattachée à la direction Marketing, j'ai dirigé le développement et le suivi d'une suite de modèles prédictifs de Machine Learning conçus pour anticiper la résiliation des clients dans différents univers de produits d'assurance. **Approche interprétable – Identification des signaux d’alerte de résiliation client :** - Construction et automatisation d’un datamart d’apprentissage, consolidant les données issues de différentes sources. - Développement d’un modèle de Machine Learning interprétable, permettant d’identifier et de quantifier les signaux d’alerte de résiliation client. - Synthèse des résultats pour les équipes métier. **Approche prédictive – Prédiction de la résiliation client dans l’univers automobile :** - Développement d’une série d’ETL SQL destinés à l’alimentation des différents modèles. - Déploiement de modèles de Gradient Boosting (CatBoost) via des pipelines CI/CD (tests unitaires, validation des données, ...). - Enrichissement des modèles par l’intégration de données open source. - Élaboration d'une stratégie de suivi de la dérive des modèles. **Développement web – Partage des résultats d’un modèle via une interface interactive :** - Création d’une application web interactive avec Dash, offrant aux équipes métier un accès autonome aux résultats du modèle de résiliation, aux variables explicatives, ainsi qu’aux métadonnées associées. **Stack technique :** Python (pandas, CatBoost, scikit-learn, poetry, Dash/Plotly), Databricks, SAS, SAS Viya, Azure DevOps, Docker.

Au sein de la Tribu Intelligence Opérationnelle (IODA) de la MAIF, j'ai rejoint l’équipe scoring en tant que Data Scientist, où j’ai contribué à plusieurs projets de Machine Learning, notamment autour des scores d’appétence: - Réalisation d’une analyse exploratoire de données textuelles issues des interactions entre sociétaires et conseillers, afin de mieux comprendre le lien statistique entre le contenu textuel et l’appétence des sociétaires à un produit de la MAIF. - Création et évaluation de plusieurs modèles de topic modeling afin d’identifier automatiquement les sujets récurrents exprimés par les sociétaires dans leurs échanges avec les conseillers. - Enrichissement d’un algorithme de classification supervisée visant à prédire l’appétence des sociétaires à un produit de la MAIF, via un pipeline NLP. - Contribution à la librairie open source Eurybia: Implémentation de métriques de suivi pour mesurer la dérive des données (Data Drift) et la dérive des modèles (Concept Drift), afin de garantir le cycle de vie complet des modèles en production selon les bonnes pratiques MLOps. **Stack technique:** Python (pandas, scikit-learn, catboost, TensorFlow), PySpark, SQL, git, développement web (Dash/Plotly, datapane).