Jonathan Ndamba

Contexte : Pilotage technique de la migration globale du patrimoine de données depuis la plateforme Saagie vers un écosystème GCP Native. L'objectif est de moderniser l'ingestion, le stockage et l'exploitation des données (BI & IA). Management de projet : Agile en Scrum Missions : • Leadership : Animation et coordination de deux squads (10 personnes) en environnement Agile Scrum. • Architecture IA : Conception et implémentation d'un système de RAG (Retrieval Augmented Generation) pour l'automatisation des processus métier via PydanticAI, Temporal.io, DSpy et LanceDB. • Architecture Event-Driven & Event Sourcing : Routage d’événements (Pub/Sub, Eventarc) vers GKE et Cloud Run, orchestré par Temporal.io. Implémentation du pattern Event Sourcing pour garantir le State Management, les patterns Saga et une résilience totale (replayability) des workflows critiques. • Engineering : Modélisation complexe (Kimball, SCD type 2) sous dbt/BigQuery avec un focus sur la qualité (coverage de tests unitaires). • Ops & Cloud : Maintenance de clusters K8s, déploiement via Terraform et orchestration de pipelines ELT/DAG. • Impact : Création d'outils de visualisation (Streamlit/App Engine) réduisant le temps de prise de décision pour les directions métiers. • Expertise Ops : Définition des standards de déploiement et maintenance des clusters Kubernetes (GKE). Environnement Technique : Google Cloud Platform, Cloud Run, Cloud Function, Gitlab-CI, BigQuery, SQL, Git, Github, Python, FastApi, Docker, CICD, Bash, Kubernetes, Docker, DBT, Airflow, Terraform, LangChain, BigQuery, PydanticAI, Temporal, DSpy, lanceDB

Contexte : Dans le cadre de la refonte et de la migration vers la plateforme de données Snowflake, j'accompagne le Groupe Pierre & Vacances - Center Parcs dans la migration de ses sources et pipelines vers le cloud GCP. Mon rôle inclut également la modélisation de ses données et la maintenance de son infrastructure. Management de projet : Agile en Scrum Missions : • Modélisation d'Entreprise : Design de la couche de données sous BigQuery (Kimball / SCD Type 2) avec un focus sur la performance et la réduction des coûts de stockage. • Implémentation Data Mesh : Définition des standards techniques et organisationnels pour transformer l'entreprise vers une architecture orientée "Data Products" autonomes. • IA Générative : Mise en place d'un système de RAG (LangChain) pour le traitement de documents internes, industrialisé et mis en production sur GCP. • Orchestration & DevOps : Création de chorégraphies d'événements via Cloud Functions et automatisation de l'infrastructure avec Terraform. • Visualisation Stratégique : Développement d'outils d'aide à la décision sur mesure via Streamlit (hébergés sur App Engine). • Stratégie de Testing & Qualité : Définition d'un framework de tests rigoureux. Implémentation de tests unitaires dbt et de tests de données (generic tests, dbt-expectations) pour assurer un coverage total sur les KPIs critiques. • Gouvernance Data Mesh : Utilisation de dbt pour créer des "Data Products" isolés par domaines métiers, garantissant l'indépendance des pipelines tout en maintenant une documentation centralisée via dbt-docs. • Développement Backend & API : Exposition des produits de données via des APIs FastAPI conteneurisées et déployées sur Cloud Run. Environnement Technique : Google Cloud Platform, Cloud Run, Cloud Function, Gitlab-CI, BigQuery, SQL, Git, Github, Python, FastApi, Docker, CICD, Bash, Kubernetes, Docker, DBT, Airflow, Terraform, LangChain, BigQuery

Contexte : Responsabilité stratégique dans la conception et le déploiement de la plateforme GCP Data pour l'équipe IT Europe CRM. L'enjeu consistait à centraliser et traiter les données clients multi-marchés pour le calcul de KPIs critiques et l'activation marketing à l'échelle européenne. Management de projet : Agile en Scrum Missions : • Pipelines Apache Beam / Dataflow : Conception et développement de pipelines de données distribués via Apache Beam (exécutés sur Cloud Dataflow) pour le traitement de volumes massifs, assurant une transformation fluide entre le Datalake et le Data Warehouse. • Modélisation dbt & BigQuery : Structuration de l'entrepôt de données selon la méthodologie Kimball. Implémentation de Slowly Changing Dimensions (SCD) de Type 2 via dbt pour assurer une traçabilité historique parfaite des profils CRM. • Pyramide de Tests : Garantie de la fiabilité des données BigQuery par la mise en place systématique de tests unitaires et de tests de données via dbt, sécurisant les calculs métiers complexes. • Exposition via Microservices : Développement d'APIs haute performance avec FastAPI, conteneurisées via Docker et déployées sur Cloud Run pour la consommation des données par les applications partenaires. • Infrastructure as Code (Terraform) : Automatisation complète du provisionnement des ressources cloud (BigQuery, instances Dataflow, IAM) via Terraform pour garantir la reproductibilité et la stabilité des environnements. • Automatisation CI/CD : Mise en place et maintenance de la chaîne de déploiement continu via Cloud Build, intégrant les tests de non-régression et le versioning des images sur Artifact Registry. • Outils d'aide à la décision : Développement d'outils de visualisation interactifs via Streamlit (hébergés sur App Engine) pour permettre aux directions métiers de piloter l'activité CRM en temps réel. Environnement Technique : Google Cloud Platform, Cloud Run, Cloud Function, Cloud Build, Dataflow, Apache Beam, BigQuery, SQL, Git, Github, Python, FastApi, Docker, Terraform, CICD, Bash, Artifact Registry

Contexte : Projet d’envergure de refonte de la chaîne décisionnelle du groupe E-voyageurs. L’objectif était la migration complète d’un Datalake historique on-premise vers une architecture Cloud Native AWS pour gagner en agilité, en scalabilité et réduire la dette technique. Management de projet : Agile en Scrum Missions : • Infrastructure as Code (IaC) : Design, développement et déploiement de l’intégralité de la stack backend et data via AWS CDK en TypeScript. Automatisation des ressources (S3, DynamoDB, IAM) pour garantir des déploiements reproductibles en CI/CD. • Architecture Serverless & Event-Driven : Conception de modules Python optimisés pour le déclenchement d'événements via AWS Lambda. Mise en œuvre de la logique de traitement asynchrone pour l'ingestion de données. • Sécurisation & Exposition : Mise en place et maintenance de passerelles via AWS API Gateway pour orchestrer les accès sécurisés aux ressources et aux données pour les collaborateurs. Utilisation de Secret Manager pour la gestion des accès critiques. • Streaming & Messaging : Implémentation et maintenance de flux Kafka pour le traitement de données en temps réel. • Excellence Logicielle : Développement de code "Clean Architecture", simple et maintenable. Lead sur la stratégie de test avec un focus sur le code coverage (Pytest) pour l'ensemble des pipelines. • Ops & CI/CD : Conception de pipelines de déploiement continu sur GitLab-CI, intégrant le déploiement de l'infrastructure (CDK) et du code applicatif. Environnement Technique : AWS(S3, Gateway, secret manager, IAM, Dynamo, CDK), Python, Kafka, Typescript, Pytest, Gitlab, Windows, IntelliJ, Vscode, Docker, Kubernetes

Contexte : Conseil et accompagnement technique de clients grands comptes dans leur transformation "Marketing Data Driven". Mise en œuvre de l'intégralité de la chaîne de valeur : de la collecte brute au Datalake jusqu'à la modélisation avancée (IA). Missions : • Orchestration complexe : Définition et déploiement de pipelines d'ingestion et de transformation via Airflow (Cloud Composer). Nettoyage et structuration des données multisources. • Modélisation Analytics : Conception de modèles de données Kimball sur BigQuery pour transformer les données brutes en indicateurs décisionnels exploitables. • Big Data Processing : Utilisation de Dataproc (Spark) pour les traitements de données volumineuses nécessitant des calculs distribués. • Marketing Mix Modeling (MMM) : Implémentation de méthodologies économétriques avancées combinées à des régressions bayésiennes pour optimiser les budgets publicitaires. • Industrialisation ML : Packaging de solutions de Data Science en pipelines CI/CD pour automatiser le ré-entraînement et l'inférence des modèles. Analyse de Campagne : Mise en place de "Market Basket Analysis" pour identifier les corrélations de vente et optimiser les campagnes promotionnelles. • Visualisation : Développement d'outils de pilotage interactifs via Streamlit sur App Engine. • Mentorat Technique : Formation des équipes clientes aux méthodologies MLOps et aux standards du Software Engineering (TDD, Code Review). • Documentation : Rédaction de documentations techniques et fonctionnelles exhaustives via Sphinx. Environnement Technique : GCP, SQL, Windows/Linux, GitLab CI, Python, Spark, Git, SKlearn, pandas, Dask, pytest Github, VBA, EXCEL