Matthieu BARRUE-BRAGADE

CONTEXTE & OBJECTIFS : Piloter la performance de la Supply Chain mondiale pour garantir la disponibilité de l'offre en magasin et en ligne. L'enjeu était de lier la réactivité opérationnelle (stocks) à la vision stratégique de l'offre (top ventes). • Analytics de précision & Root Cause Analysis : Analyse approfondie des performances supply sur les entrepôts mondiaux. Identification des causes racines de rupture ou de surstock et préconisations stratégiques pour optimiser le Chiffre d'Affaires. • Projet "Top 50 CA" : Conception d'un algorithme identifiant les items générant 50% du CA online par pays. Gestion technique du maillage produits (anciens/nouveaux) pour assurer une continuité de l'analyse de performance. • Optimisation de l'Overstock : Modélisation des surplus de stocks en magasin pour optimiser l'approvisionnement des Centres Régionaux (CAR), réduisant l'immobilisation financière. • Core dbt Strategy : Développement et maintenance de modèles complexes sous dbt (données via Databricks/AWS). Mise en place de tests de data quality rigoureux et déploiement via CI/CD. STACK TECHNIQUE : Databricks, AWS, dbt, Python, SQL, Tableau, GitLab CI/CD, Jira.

CONTEXTE & OBJECTIFS : Migration et industrialisation d'un moteur de calcul de risque de crédit(ECL) critique pour les opérations financières du groupe. ● Industrialisation Python : Migration de fonctionnalités critiques de R vers Python pour le moteur de calcul de risque de crédit, améliorant les performances de traitement. ● Cloud Integration : Déploiement de l'application sur GCP via Cloud Functions et conteneurisation Docker. ● DevOps : Mise en œuvre d'une chaîne CI/CD complète sous GitLab pour assurer la fiabilité des déploiements. STACK TECHNIQUE : GCP (Cloud Functions), Python, R, Docker, GitLab CI/CD.

CONTEXTE & OBJECTIFS : Optimisation de la performance des ventes et des stocks au sein de l'équipe "Forecasting" - équipe d’une dizaine de personnes. L'objectif était d'anticiper la demande et de détecter immédiatement les écarts de vente pour ajuster l'offre en temps réel. ● Performance de l'Offre ("Slow-movers") : Développement en Python d'un modèle de détection des produits à faible rotation. Permet une intervention rapide des équipes commerciales pour repositionner l'offre ou ajuster la promo. ● Refactoring & Fiabilisation : Migration complète des pipelines de données legacy vers une architecture moderne dbt / BigQuery (GCP) pour fiabiliser les prédictions de demande hebdomadaires. ● Dashboarding Métier : Création et optimisation de dashboards sous Looker pour le suivi des KPIs de performance commerciale (taux d'écoulement, CA par catégorie). ● Ranking de popularité : Automatisation d'un processus manuel de classement des produits pour optimiser la mise en avant sur le site e-commerce. STACK TECHNIQUE : GCP (BigQuery, BigTable), dbt, Airflow, Python, Looker, GitLab CI/CD.

CONTEXTE & OBJECTIFS : Data Scientist au sein d’une nouvelle équipe data - 3 autres Data Scientists. Optimisation du Revenue Management et de la performance marketing (incrémental de 5M€+). Focus sur la compréhension fine des besoins des équipes marketing et du comportement client pour adapter l'offre et les canaux de vente. ● Optimisation de la conversion (Incrémental 5M€) : Réduction du taux d'abandon de panier via un modèle de Machine Learning de survie et Random Forest. Détermination du timing et du canal optimal (Mail/SMS/Appel) pour maximiser la conversion. ● Recommandation de l'Offre (Incrémental 750K€) : Développement d'un algorithme personnalisé pour les services additionnels (activités, restauration). Mise à disposition via une API utilisable directement par les équipes IT. ● Analyse de Sentiment (NLP) : Automatisation de l'analyse des avis clients (Google Reviews) pour identifier les points de friction sur site et améliorer l'offre permanente. Présentation des résultats et monitoring hebdomadaire via Looker. ● Multiples analyses Ad’hoc : Résolution de problèmes de qualitée de données (perte de ventes sur Google Analytics, donnée erronée, etc.), et, sizing pour plusieurs POC (implémentation d’un code promo pour les utilisateurs du site détectés comme hésitants, optimisation des campagnes Google Ads). ● Analyse de Performance BigQuery : Audit et optimisation massive des coûts BigQuery. Accompagnement des Web Analysts sur la rédaction de requêtes SQL performantes et la structuration des tables. ● Dashboarding Centralisé : Développement de dashboards multi-sources (Google Analytics, CRM, Réservations) sous Tableau pour le suivi des ventes en pré-arrivée. STACK TECHNIQUE : Python, SQL, GCP (BigQuery, Vertex AI, Dataflow), dbt, Airflow, Tableau, Looker, Kubernetes.

CONTEXTE & OBJECTIFS : Détection de fraudes et analyse de risques au sein de l'Inspection Générale. ● Profiling de Risque Client : Utilisation d'algorithmes de clustering (non supervisé) pour identifier des failles dans les outils de notation de risque de crédit. ● Priorisation des contrôles : Mise en place de modèles de classification pour prioriser les audits en agence basés sur des indicateurs de conformité. ● Détection de fraude : Mise en place d'algorithmes (Isolation forest, One-Class SVM) pour identifier de potentielles fraudes sur les "fat-finger" errors. ● Visualisation : Conception de dashboards d'investigation sous R-Shiny et Tibco Spotfire. STACK TECHNIQUE : R, Python, SQL, Tibco Spotfire, R-Shiny.