Kokoé AHITÉ

Mission : Au sein de la Direction Statistiques et Valorisation des Données (DSVD), assurer la maintenance en condition opérationnelle (MCO/TMA) et le développement de solutions analytiques, avec un focus sur la fiabilisation et l’automatisation des flux de données pour soutenir les équipes d’Exploitation du Réseau dans le pilotage opérationnel du système électrique. Exemples d'applications suivies : • Monitoring en temps réel de la fiabilité des données du réseau électrique. • Prévisions météorologiques pour anticiper les risques des lignes électriques en période de canicule. • Suivi des ouvertures et fermetures de ligne électrique et bilans automatisés. • Visualisation des indicateurs de mesures électriques pour l’exploitation du réseau. Contributions clés : • Contribution à l’organisation Agile de l’équipe : - Gestion du backlog, - Estimation de charge, - Rituels agiles. • Recueil des besoins et traduction en spécifications techniques. • Conception et développement de pipelines ETL : extraction depuis bases (SQL), APIs et datalake, transformation et normalisation des données, chargement dans des datamarts pour exploitation. • Modélisation et alimentation d’entrepôts de données destinés aux applications analytiques et aux rapports BI. • Développement et industrialisation de processus automatisés pour fiabiliser la collecte et l’intégration multi-sources (datalake, SQL, APIs). • Conception, développement et déploiement d’applications Shiny intégrant des indicateurs clés et des tableaux de bord interactifs pour le pilotage opérationnel. • Mise en place de contrôles automatisés et gestion de l’obsolescence applicative (montée de versions, CI/CD, R Connect). • Conseil et accompagnement sur les bonnes pratiques de développement en environnement R / Shiny. Environnement technique : langage R, Shiny, SQL, APIs, Postman, Git. Travail sur une plateforme analytique R centralisée (RStudio Workbench, Package Manager, R Connect), Agile.

Mission : Développement d'une application Shiny pour le suivi du cycle de vie des projets de financements, avec restitution d’indicateurs en temps réel, à destination de la Direction Générale et des équipes opérationnelles, dans un contexte agile. Contributions clés : • Recueil des besoins métiers et traduction en spécifications fonctionnelles et techniques. • Fiabilisation et intégration de données multi-sources (SI interne, fichiers Excel) dans des pipelines ETL en amont des restitutions analytiques. • Conception et déploiement de processus semi-automatisés de préparation et transformation des données pour alimenter les tableaux de bord financiers destinés à la Direction Générale. • Développement de visualisations dynamiques : graphiques interactifs, cartes, exports téléchargeables. • Mise en place d’une base utilisateurs et d’un module d’authentification sécurisé dans l’application Shiny. • Conception UI/UX : ergonomie, navigation, organisation des onglets. • Participation active aux cérémonies Agile (planning, daily, sprint reviews, rétrospectives). Environnement technique : langage R, Shiny, dplyr, data.table, SQL, Git. Travail sur une plateforme analytique R centralisée (RStudio Workbench, Package Manager, R Connect), Agile.

Mission : Au sein de la DSI, interface entre les équipes métiers GRM (Gestion Risk Management) et les équipes IT pour assurer la continuité de service et le suivi des projets liés à la tarification des contrats d’assurance (catastrophes naturelles, cybersécurité) et aux outils de réassurance. ** Maintenance et pilotage de 4 applications métiers : • Pilotage de la migration de deux applications Shiny de la version 3 à la version 4 d’OpenShift. • Coordination des mises en production avec les équipes production, infra, DevOps. • Interface IT / métier pour la gestion des incidents avec un support N3 et la continuité des services. • Animation et participation active aux cérémonies Agile (daily meetings, sprint reviews, rétrospectives) pour assurer la bonne priorisation du backlog, suivre l’avancement des développements. • Intégration et fiabilisations de données de portefeuilles via une pipeline en R. • Conception de tableaux de bords de suivi de consommation des APIs (logs ElasticSearch, JSON) en Python. • Suivi de la conformité IT (standards AXA, sécurité, gouvernance) sur les applications. • Coordination du déploiement d’une nouvelle application entre la DSI, les fournisseurs de solution IT et les équipes infrastructure. ** Migration des outils de calculs du métier Réassurance : • Réalisation d’une rétro-ingénierie des applications R pour identifier les dépendances et anticiper le décommissionnement vers le cloud. • Création d’un dépôt de packages nécessaires sur un environnement partagé. • Suivi des phases de test de bon fonctionnement et accompagnement des entités locales dans l’usage des outils. • Assistance au déploiement local des applications Shiny sur les postes utilisateurs. Environnement technique : langage R, ITIL V4, Langage R, Python, API Rest, Openshift, Git, SQL, Azure, AWS, Kibana, ElasticSearch, Agile.

Mission : Développement d’une application en R/Shiny pour le suivi médical des protégés de l’association. L’objectif était de centraliser les informations, consulter l’historique et anticiper les événements médicaux liés aux animaux. • Développement d’une interface de gestion des profils : informations de santé, suivi médical, traitements. • Mise en place d’un système de rappels médicaux (emails, statuts visuels, échéances à venir). • Archivage et extraction automatique de données à partir de comptes rendus médicaux. • Création d’une base de données des événements, consultations et rapports d’analyses. Environnement technique : langage R, Shiny, dplyr, ggplot2, SQlite, SQL.

Mission : Au sein de la DSI, mise en œuvre de la remédiation de la qualité des données d’équipements et d’adresses, dans le cadre du déploiement de la fibre optique. Objectif : fiabiliser les référentiels pour améliorer la fluidité des processus de commandes et limiter les rejets techniques. Contributions clés : • Contrôle de la qualité des données : vérification de formats, détection d’anomalies, validation des contenus. • Analyse des causes d’erreurs, identification des incohérences et transmission aux équipes DSI ou métiers concernées. • Production hebdomadaire de rapports Power BI permettant de monitorer la qualité des données et de piloter l’avancement des corrections. • Exécution de corrections massives en base de données sur la base de règles de gestion formalisées. • Participation aux rituels agiles et suivi des tickets dans Azure Devops. • Participation à la définition et à la mise en œuvre de règles de qualité des données, en coordination avec la gouvernance et les processus métier. • Gains : Évolution du ratio de prises déployées conformes passant de 65% à 82%. Environnement technique : MySQL, SQL, Power BI, suivi des tickets sur Microsoft Azure DevOps, Agile. Environnement technique : MySQL, SQL, Power BI, suivi des tickets sur Microsoft Azure DevOps, Agile.

Mission : Au sein de la Direction de l’Intervention, accompagnement des équipes techniques sur des problématiques de performance opérationnelle, via la mise en œuvre de modèles prédictifs, d’analyses de données et d’outils d’aide à la décision. Projet 1 – Prévision des flux d’intervention techniques (SAV/PROD) • Data mining : exploration et fouille de données historiques et exogènes afin d’identifier les facteurs explicatifs des volumes d’interventions. • Mise en place de pipelines ETL : collecter et préparer des données issues de sources hétérogènes. • Développement de modèles de séries temporelles et de modèles additifs tenant compte de la saisonnalité et des tendances. • Automatisation en R des étapes de préparation, modélisation et génération de prévisions pour 27 unités régionales. Résultats : amélioration précision des prévisions (écarts passés de 20 % à 12%). Projet 2– Suivi des défauts de raccordement et Dashboard Qlik Sense • Appariement de données multi-sources et création d’un dictionnaire de données. • Développement de flux ETL pour l’appariement et l’intégration de données multi-sources. • Mise en place d’un dictionnaire de données et de règles de transformation pour fiabiliser et standardiser les analyses. • Conception de rapports de performance et de tableaux de bord dans Qlik Sense pour le suivi des taux de réintervention. Projet 3 – Prédiction des réinterventions SAV post-raccordement (J+30) • Préparation des données (recodage, imputation, échantillonnage) et formalisation de la démarche analytique. • Modélisation avec Lasso, forêts aléatoires, XGBoost ; optimisation des hyperparamètres par Grid Search. • Validation des modèles : mesure de performance et interprétation des variables. • Analyse explicative des causes racines : classification mixte (analyse des composantes multiples et classification ascendante hiérarchique) et analyses comparatives. Résultats : détection fiable de 17 % des réinterventions, soit 17 000 SAV évités/an.

Mission : Au sein du Pôle de Données, réaliser un projet de maintenance prédictive de serveurs applicatifs, visant à anticiper les incidents critiques du SI à partir de l’analyse des fichiers de logs. • Collecte et structuration des données d’événements techniques issus de 12 serveurs (36 millions de logs). • Classification automatique des messages systèmes et applicatifs par méthode de clustering (K-Means). • Construction d’un modèle de régression logistique pour estimer le risque de saturation de l’espace disque à partir des séquences d’événements. • Échantillonnage et réduction dimensionnelle (ACP) pour traiter un jeu déséquilibré et très volumineux. • Restitution des résultats auprès des équipes d’exploitation et proposition d’un plan d’élargissement des analyses. Environnement technique : Hadoop, Hive, Python, SQL, Spark ML, pandas, scikit learn, R.

Mission : Réaliser un POC de solution BI, basé sur des outils Big Data Open Source, pour la segmentation clientèle d’un réseau de pharmacies. • Mise en œuvre d’une segmentation des clients du réseau de pharmacies CELTIPHARM à partir des historiques d’achat, dans une optique de profilage comportemental et de ciblage marketing. • Analyses exploratoires des données d’achat : nettoyage, fiabilisation, détection d’anomalies. • Construction d’indicateurs de comportement d’achat (fréquence, panier moyen, diversité produits). • Élaboration d’une typologie de clients basée sur leurs habitudes d’achat, via des méthodes de classification(K-means). • Visualisation des classes suivant les volumes et catégories de produits sur Tableau. Environnement technique : ETL Talend, Hadoop, Spark, Python, Scala, PostgreSQL, Tableau.