Ines Taibi

– Migration SQL Server → Snowflake : restructuration des Data Marts et du Data Lake de la Direction des Ventes – Pilote Stratégie: dashboard de suivi des appels experts sécurité → -12% de taux d'appels au support technique – Analyse Qualité : tableau de bord de performance techniciens terrain → détection des sous-performances et orientation en formation – Suivi des Primes: dashboard d'atteignabilité des objectifs individuels/équipe → taux d'experts Gold +0,12% – Suivi Incidents Maintenance: mise en lumière des dysfonctionnements récurrents → -3% d'incidents – Suivi Retours Clients : détection des clients forts détracteurs post-installation

– Migration Field Service : vérification et fiabilisation des données CRM pour 40+ filiales mondiales post-migration – Valorisation des Stocks: suivi et évaluation financière des pièces techniciens (commandées, jetées, non utilisées) – Facturation & Contrats : déploiement d'alertes sur visites non réalisées, suppression des écarts et modélisation des coûts réels d'intervention – KPI Performance : développement d'indicateurs de productivité multi-critères → base de décision primes/affectations pour 30+ techniciens – Automatisation BL: script Java + macro Excel → envoi hebdomadaire automatisé des bons de livraison (-80% de traitement manuel) – Dashboard ORESCE (Power BI): remplacement du fichier Excel par un tableau de bord interactif avec valorisation des contrats par profil (STI, RRE, RRS, TI)

– En tant que professeur particulier de mathématiques et d'informatique, j'ai eu l'opportunité d'accompagner mes élèves dans leur apprentissage et leur compréhension des concepts clés. – J'ai élaboré des programmes d'étude personnalisés, adapté mes méthodes d'enseignement en fonction des besoins spécifiques de chaque élève, et encouragé la curiosité et l'autonomie dans l'apprentissage. – Mon approche interactive vise à rendre les matières accessibles et engageantes, favorisant ainsi la réussite académique de mes élèves.

– Conception et implémentation d'un système de détection d'opinions dans des corpus en français, exploitant une ontologie sémantique développée en interne comme ressource de classification. – Benchmark de 4 classifieurs (BERT, CamemBERT, XGBoost, CSVM) sur un dataset splitté selon les bonnes pratiques (70/30 pour BERT, 80/20 pour CSVM, 75/35 pour CamemBERT, 70/30 pour XGBoost) : CamemBERT atteint la meilleure accuracy (0,70), validant l'approche transformer pour le français. – Analyse comparative des performances (accuracy, F-mesure, rappel, précision) et identification des pistes d'amélioration: CamemBERT recommandé en production malgré un temps de formation élevé. – Rédaction du rapport de stage avec méthodologie détaillée, analyse des résultats et recommandations opérationnelles.