Lionel Perin NAGUEU DJAMBONG

Mission: Monitoring des solutions BI/ELT de Sofinco marketing Création d'un package de collecte des métadonnées des projets dbt Création d'un système de suivi des sources de données sortant qui alimente les Dashboard Création d'un Dashboard qui regroupe et fait le monitoring et le suivi des différents KPI métier des projets du marketing Déploiement de la solution via Apache Airflow Résultat : La solution a automatisé le suivi des données marketing, amélioré la fiabilité des KPI de 85 % et réduit le temps d’analyse de 70 % Outils: SQL, DBT, Snowflake, Airflow, PowerBI, git, gitlab, CD/CI

Mission: Suivi de la consommation d'énergie dans les ménages Création d'un pipeline ELT de collecte et de transformation des données de 586 ménages en données exploitable Création des Dashboard interactifs sous Power BI pour le suivi des indicateurs de consommation énergétique et déploiement en production de la visualisation via Power BI service Déploiement sur power BI service Résultat: la solution à réduit de 35 % du délai de prise de décision grâce à une meilleure visualisation des KPI Outils: SQL, DBT, Databricks, Power BI, Power BI service, Git, Github

Mission: Concevoir un système d’analyse des données climatiques basé sur un pipeline ETL automatisé et un dashboard interactif Power BI afin de soutenir la prise de décision sur les tendances climatiques régionales. Extraction des données météorologiques via l’API OpenWeatherMap (REST API) Conception d’un pipeline ETL pour la collecte et l’intégration des données multi-villes de la région de l’Ouest Cameroun Nettoyage, transformation et enrichissement des données avec Power Query Création de variables dérivées (saisons, moyennes mobiles, indicateurs climatiques) Modélisation des données en schéma en étoile (Fact/Dimensions) Développement d’un dashboard Power BI interactif avec KPI et déploement sur power BI service Résultats: Analyse de données climatiques sur 5 villes de l’Ouest Cameroun avec plus de 10 000 enregistrements issus de OpenWeatherMap. Températures moyennes de 22°C à 28°C, humidité de 65% à 90%, et 8 à 18 jours de pluie mensuels, révélant des variations saisonnières et régionales significatives. Outils: Python (SQLAlchemy), Power BI, Power BI service, SQL, DBT