Insa Dramé

Pilotage de la transition des clients de l’ancien modèle (« monde marron ») vers le nouveau modèle (« monde bleu »), dans le cadre du lancement des nouvelles offres et services (Carte BforZEN, Carte BforBASIC). • Mise en place et optimisation du processus de calcul d’éligibilité des clients aux nouvelles offres. • Gestion, supervision et suivi des lots de transition clients, avec contrôle qualité, de cohérence et traitement des anomalies. • Développement et automatisation des traitements via Oracle SQL (requêtes complexes, gestion de données volumineuses) et Python (scripts d’analyse, reporting)/Dataiku • Contribution à la sécurisation et l’industrialisation des processus de migration, garantissant une continuité de service optimale pour les clients. •Migration BO vers GCP •Alimentation de Looker pour les lots de transition des clients.

Consultant Data Scientist –Data Analyst–Business Analyst Projet : En mission ponctuelle à la BNP .Le Challenge portait sur La mise en place de pratiques DevOps au sein de BNP Paribas, en tant qu'important établissement financier, s'accompagne de divers objectifs et initiatives visant à améliorer la gestion dessystèmesinformatiques, des applications et des processus métier.D’autres part j’ai travaillé avec l’équipe CSRD(La Directive relative à la publication d'informations en matière de durabilité par les entreprises) pour la mise en place des dashboards sur Tableau et la réalisation des habilitations et juridictions pour les accès et périmètre de visualisation pour chaque entité des pays de la BNP (luxembourg, Belgique, pologne,France) Réalisations • Analyser les besoins et les problématiques des décideurs des différentes entités devops pour les outils Devops comme : Release, Sonarqube, Jenkins, Ansible, Gitlab • Création et mise en place de la base de données Pour Release Dorametrics(modélisation en flocons) • Application d’une méthodologie de classification de réseaux neurones(Deep Learning) pour la reconnaissance desJob_names des différentes entités devops à savoirs’ilssont de types automatisés ou de type de déploiement. Data Cleaning, Data processing, Machine Learning, Deep learning sur Dataiku • Contrôle et complétude et fraicheurs des Dashboard Des différentes entités Devops sur Tableau server,Tableau Desktop. • Data Cleaning, Data processing, Machine Learning, Deep learning sur Dataiku • Restituer ces données dans les tableaux de bord visuels sur Dataiku, Tableau Server, Tableau Desktop.Utilisation des user filters pour les habilitations et juridictions pour chaque equipe de la BNP Mise en place des dico fonctionnelles et techniques (règle de nommage, datamart, table, variables) Environnement technique : • Dataiku, Python, Tableau Server, Tableau Desktop, Python, Oracle, Citrix PostGreSQL, JIRA, Sharepoint pour les Dico fonctionnelles et techniques

Création d’un score de détection de l’inactivité à 12 mois pour le Groupe Nespresso sur les 4 marchés pilote (Suisse, France, Etats unis, Brésil) Application d’une méthodologie de classification pour détecter l'inactivité des clients Construction du modèle et optimisation des hyperparamètres

-Système de traitement d'image pour la reconnaissance de l'état de qualité composants Ferroviaires ( lames, butée....) _Utilisation d'algorithmes de Deep Learning(CNN,RNN, Data augmentation,YoloV5, Opencv..) -Langage Python, Java, -Application D'Android Studio (développement mobile android) pour la réalisation d'un application smartphone de reconnaissance des pièces de l'infrastructure ferroviaire -Réalisation des spécifications techniques pour la mise en œuvre d'un système embarqué de tri d'objets lames et butée à recycler pour Vape Rail - Développement et enrichissement de la base de données Définition du besoin puis extraction des données sur PostgreSQL Analyse exploratoires univariées et multivariées Visualisation des données, identification des futures variables clés Segmentation de la clientèle via des méthodes de clustering sur Python Utilisation de la segmentation sur Tableau desktop pour cartographier et analyser les typologies de points de vente de sur le territoire français à partir du profil sociodémographique (âge, revenu, ménage,..) de leur clientèle

Projet:"SNCF Diminution du taux de Fraude TER Grand Est" Machine Learning,deep learning, Python : clustering, time series,modelisation polynomiale • Optimisation des tournées des contrôles : • Constitution de l’ensemble des tournées à partir de l’API SNCF selon les contraintes • Création de modèles prédictifs sur la fraude : • Data Cleaning, Data processing Machine Learning, Deep learning. • Création d’un modèle prédictif sur la fraude : • Métrique Pour évaluer ces modèles : • Courbe de ROC- AUC, accuracy, précision, sensibilité. Regression: MSE/MAE Time Series (ARIMA): MAPE, LOSS • Algorithmes appliqués en Machine Learning • Régression : Régression linéaire, GLM, se rapporter à un modèle multi-classes (faire des classes avec les nombres d’évènements par ligne, sous lignes...) • Polynomial avec pipeline • Classification : • Random Forest, Boosting, XGBoost, SVM, Clustering • Régression logistique, SVM, Bagging Random Forest avec regroupement par cluster heure, Création de deux classes séparées par le deuxième quantile. • Environnement Technique : • R, HTML, CSS, SQL, Tableau software, Microsoft azure, Oracle, Jenkins • Pyspark, Apache Spark, power BI, SAS, Heroku, Streamlit • Python libraries: NumPy, scikit- Learn, seaborn, bokeh, Matplotlib, SciPy, Pandas….

Assurance Apicil Vaise-Santé,France Reporting mensuel de l’épargne et la santé : tableaux de bords, multidimensionnels, scoring. Élaborer et réaliser des requêtes SQL pour le Reporting groupe, faire des calculs prévisionnels sur SAS V9 modelisation Mathematiques de la prévision des ventes

• Etudes Quantitatives et audit des clients • SAS BI Réalisation de statistiques SGBD et conception de tableaux de bord Conception et implémentation de la SGBD •Campagne Marketing, data visualisation Outils: SAS, SQL, Tableau software, C++,python, sphinx, Oracle database