Martin Lacombe

J'accompagne les entreprises pour tirer le meilleur de leurs données. ➤ Pipeline de données · ETL · ELT - Concevoir les flux de données et l’orchestration des workflows - Développer le DAG · Data lineage · Traçabilité des données - Automatiser des tests pour assurer la qualité des données - Concevoir des procédures de surveillance et d'alerte - Réduire les délais de traitement et les coûts - Structurer le pipeline (sources, staging, intermediate, marts) - Automatiser la gestion des environnements (test et prod) - Intégrer de façon continue (CI) et assurer le versioning (git) - Documenter (architecture, modèles, processus, dictionnaire) ➤ Data Warehouse (Plateformes Cloud · DWH · Entrepôts de données) - Concevoir et mettre en place un Data Warehouse Cloud - Réduire les coûts de l’entrepôt de données Cloud - Optimiser les performances (partitioning, clustering) - Concevoir des modèles de données pertinents - Sécuriser les données (IAM) ➤ Exploration · Préparation · Transformation · Analyse - Trouver et extraire les bonnes données - Explorer, nettoyer, fusionner les doublons, normaliser, enrichir - Mener des analyses (Data Mining, Text Mining…) - Identifier des insights actionnables ➤ Business Intelligence · Visualisation - Modéliser et agréger les données selon les besoins - Fournir des segmentations, scores et prédictions - Mettre à disposition des Data Marts aux différentes équipes - Produire des rapports, dashboards et outils d’analyse ➤ Gestion de projet - Collecter les besoins métier et les use case business - Gérer les contraintes de délais et coûts - Adapter les livrables à l’audience ⚙️ dbt · dbt Cloud · Pipeline ETL / ELT · Cloud Data Warehouse · BigQuery · Snowflake · Amazon Redshift · SQL · Python · Dataiku

➤ Créer et maintenir le pipeline ETL / ELT via dbt - Structurer (sources, staging, int, marts) pour assurer un pipeline robuste et scalable - Concevoir les flux de données et l’orchestration des workflows, réduisant les coûts et les délais - Automatiser la gestion des environnements, intégrer de façon continue (CI) et versioner (git) - Créer des procédures d'extraction de données (BDD, DWH, fichiers plats, API…) - Exploiter le SQL pour nettoyer, transformer, réconcilier et enrichir des To de données - Optimiser le DAG (data lineage) pour obtenir un pipeline qui répond à de hauts standards - Assurer la qualité des données via des tests de non-régression et un monitoring - Documenter le pipeline ETL / ELT (architecture, modèles, processus, dictionnaire, lineage) ➤ Créer un DWH hautement disponible et évolutif (Plateforme Cloud) - Mettre en place un Data Warehouse optimisé pour plusieurs téraoctets (partitions, clusters) - Concevoir des modèles de données pertinents - Réduire les coûts de l’infrastructure Cloud ➤ Valoriser les données de l’entreprise - Implémenter des analyses statistiques qui remontent les anomalies business et métier - Mener des analyses (cohortes, acquisition, rétention, funnel, segmentation...) - Créer, calculer des KPI et les transformer en insights (performance, marketing, produit...) ➤ Déployer la Business Intelligence (Informatique Décisionnelle · Data Visualisation) - Identifier les attentes métier, modéliser et agréger les données pour répondre aux enjeux - Mettre à disposition des Data Marts à destination des clients internes (Produit, Partenariats) - Créer des tableaux de bord et des rapports clairs pour vulgariser des insights ➢ Le pipeline gère quotidiennement des millions de nouvelles lignes, assurant la collecte, le nettoyage, la transformation, le transfert automatique au Data Warehouse, aux Data Marts, outils métier et de DataViz ➢ Les collaborateurs exploitent des To de données de qualité et prennent des décisions éclairées

Matcher les données de 3 marques de Luxe avec celles d’Accor et fournir des insights ➤ Collaborer avec les clients pour comprendre les enjeux métier - les traduire de manière analytique ➤ Rechercher et extraire (Data Lake, Data Warehouse) les données pour répondre aux besoins ➤ Étudier les données (EDA) et les préparer (déduplication et enrichissement) pour l’analyse ➤ Construire des flux d’extraction et de transformation des données via Dataiku DSS ➤ Créer un dictionnaire (métadonnées : nom et définition des champs, type de donnée…) ➢ 10 analyses ont été présentées aux Départements, transformant les problèmes business en insights ➢ Les données client de 3 marques rachetées ont été reliées avec succès à celles d’Accor SQL · Dataiku DSS · Tableau · Data Lake · Data Warehouse (DWH) · Cube OLAP · Python · Cognos · Excel

TOTALENERGIES - Optimiser le sourcing de fournisseurs IT (DSI) ➤ Mener des ateliers d’expression des besoins pour bien structurer le projet ➤ Collecter les données, réaliser l’analyse exploratoire (analyses statistiques et visualisation data) ➤ Nettoyer les données (gestion des données erronées et aberrantes, déduplication, normalisation) ➢ Le dashboard livré permet de piloter 250 fournisseurs sur 10 axes de dépenses EUROPCAR - Etudier la qualité des données pour déployer un MDM (Master Data Management) ➤ Cadrer le projet via des ateliers d’affinage puis étudier le modèle de données (Data Modeling) ➤ Construire l’échantillonnage aléatoire simple, fusionner les doublons (algo. de fuzzy matching) ➤ Présenter les résultats des analyses en exploitant la data visualisation ➢ Les informations stratégiques transmises au Management ont permis de lancer le MDM META - Analyser la concurrence pour le compte de Facebook France (institutions culturelles) ➤ Explorer les données scrapées, extraire de fichiers JSON les informations nécessaires à l’analyse ➤ Définir et calculer des indicateurs clés de performance pour comparer les réseaux sociaux ➢ Facebook a obtenu des insights actionnables sur le positionnement de 7 concurrents NISSAN - Améliorer la qualité des données pour optimiser les campagnes Marketing cross-canal ➤ Auditer la qualité des données (cohérence, précision, complétude, pertinence, exactitude, unicité) ➤ Procéder au data cleansing (dédoublonner, normaliser, gérer les données incomplètes…) ➢ Des données de meilleure qualité qui augmentent l’efficacité des campagnes Marketing DISPEO - Transformer les données en opportunités de croissance ➤ Explorer les données, les nettoyer, restructurer, analyser et enrichir pour faciliter l’exploitation ➤ Construire et déployer un dashboard pour piloter la productivité de 200 opérateurs SQL · Python · Power BI · Tableau · MS Access · Excel · Système de Gestion d’Entrepôt (WMS)

Assurer l'obtention de subventions pour une école aborigène ➤ Analyser les attentes du Gouvernement pour identifier les indicateurs de performance à valoriser ➤ Calculer et interpréter les KPI pour mettre en valeur l’école par rapport aux autres formations ➢ Le dossier transmis au Gouvernement Australien a permis d’obtenir une subvention de l’Etat

Assurer grâce aux données la qualité du réseau téléphonique (DSI) ➤ Échanger avec le métier pour identifier les besoins de pilotage sur la qualité du réseau ➤ Collecter, explorer et nettoyer les données, les restructurer et les enrichir pour les exploiter ➤ Créer des rapports (SAP BO BI) qui permettent au Management de suivre les risques de coupures ➤ Construire un tableau de bord interactif qui présente la qualité du réseau ➢ Les rapports et le dashboard ont permis au Management de piloter la qualité du réseau