Mehdi Zobiri

Contexte : Les équipes exécutives et de management avaient besoin de KPI fiables et de dashboards analytiques pour piloter la performance et soutenir la prise de décision stratégique. Les données étaient disponibles dans Skywise, mais nécessitaient une structuration, une transformation et la définition de référentiels KPI clairs pour être réellement exploitables à un niveau décisionnel. Responsabilités & réalisations : - Réalisation d’analyses exploratoires approfondies dans Skywise afin d’identifier les principaux leviers de performance - Conception et implémentation de pipelines data scalables en Spark pour automatiser l’ingestion et la transformation des données - Développement de logiques de traitement sur mesure pour améliorer la qualité, la cohérence et la fiabilité des données - Définition et mise en place de frameworks KPI alignés avec les besoins des équipes dirigeantes - Conception et développement de dashboards interactifs offrant une vision claire et synthétique de la performance - Industrialisation des assets analytiques (automatisation, fiabilité, mise en production) Résultats : Mise à disposition d’un socle unifié de KPI et de dashboards fiables, permettant d’améliorer la visibilité stratégique, d’accélérer la prise de décision et de renforcer la confiance dans les données à tous les niveaux du management.

Contexte : Le client avait besoin d’une solution centralisée et industrialisée pour agréger des KPI issus de sources de données hétérogènes, afin de fiabiliser le reporting et permettre un pilotage cohérent. Les données existantes étaient fragmentées, traitées manuellement et difficilement exploitables pour des usages analytiques à grande échelle. Responsabilités & réalisations : - Réalisation d’analyses exploratoires pour identifier les KPI pertinents et définir les paramètres de calcul - Conception et mise en place d’un pipeline data industrialisé dans Palantir Foundry pour automatiser l’ingestion et le traitement des KPI - Développement de couches de transformation et d’agrégation en PySpark afin de standardiser les métriques entre différentes sources - Collaboration étroite avec les équipes métier pour traduire les besoins de reporting en solutions techniques robustes - Application des définitions et règles de calcul validées pour garantir la cohérence et la fiabilité des KPI - Structuration et mise à disposition de datasets prêts à être exploités pour la visualisation et le reporting Résultats : Mise en place d’un framework KPI centralisé permettant d’améliorer la cohérence des données, de réduire les efforts de reporting manuel et de supporter un pilotage fiable et scalable pour les équipes métier et managériales.

Contexte : Le client disposait d’un pipeline legacy d’acquisition et de transformation basé sur SAS, devenu difficile à maintenir et à faire évoluer. Objectif : moderniser ce workflow dans Palantir Foundry en migrant vers Spark, afin d’améliorer les performances, la fiabilité et la scalabilité pour les usages analytiques. Responsabilités & réalisations : - Analyse approfondie du pipeline SAS existant et des datasets associés afin d’identifier les incohérences, limites techniques et opportunités d’optimisation - Nettoyage et standardisation des données pour améliorer leur exploitabilité et réduire les erreurs en aval - Réécriture complète du pipeline de bout en bout en PySpark dans l’environnement Palantir - Conception de logiques de transformation optimisées pour garantir performance et passage à l’échelle - Identification des problématiques de qualité de données lors de la migration et mise en place de contrôles de validation Résultats : Remplacement d’un pipeline SAS legacy par une solution PySpark moderne, permettant d’améliorer la scalabilité, les performances de traitement et la fiabilité des données pour les usages analytiques et le reporting.

Contexte : Le client avait besoin d’un framework sécurisé et conforme pour ingérer des données sensibles depuis des bases Oracle vers Palantir Foundry, tout en respectant des contraintes strictes en matière de réglementation et de protection des données. L’enjeu était d’industrialiser les processus d’ingestion tout en garantissant l’anonymisation et l’exploitabilité analytique des données. Responsabilités & réalisations : - Contribution aux processus d’ingestion pour extraire les données depuis des sources Oracle vers Palantir Foundry - Automatisation des pipelines d’ingestion avec Spark afin d’assurer fiabilité, robustesse et répétabilité - Mise en œuvre de techniques d’anonymisation avancées pour protéger les données sensibles et garantir la conformité réglementaire - Nettoyage, transformation et standardisation des données pour les rendre exploitables pour l’analyse - Garantie de la cohérence, de la traçabilité (lineage) et de la mise en production des datasets dans l’environnement Foundry Résultats : Mise en place d’un framework d’ingestion et d’anonymisation sécurisé et conforme, permettant une exploitation analytique fiable des données sensibles tout en réduisant les traitements manuels et en renforçant la conformité réglementaire.

Contexte : Le client opérait plusieurs pipelines de données dans Palantir Foundry, et la garantie d’une qualité de données homogène était devenue un enjeu critique. Les contrôles manuels n’étaient pas scalables et limitaient la confiance dans les analyses et le reporting. Responsabilités & réalisations : - Contribution à la conception et à la mise en place d’un framework de data quality scalable dans Palantir Foundry, afin de standardiser les contrôles sur l’ensemble des pipelines - Participation à la définition et à l’implémentation de règles de qualité (complétude, cohérence, validité) via des contrôles basés sur Spark - Automatisation de mécanismes de détection d’anomalies pour identifier les problèmes de données dès les premières étapes du pipeline - Mise en place de logiques de monitoring et de reporting pour exposer les problèmes de qualité aux équipes opérationnelles - Amélioration de la gestion des erreurs et de la robustesse des pipelines pour atteindre un niveau de fiabilité production Résultats : Amélioration significative de la fiabilité et de la cohérence des données, réduction des contrôles manuels et renforcement de la confiance dans les analyses et le reporting. Contribution à la montée en maturité globale des pipelines data en production.

Contexte : Le client souhaitait automatiser la reconnaissance et la classification d’équipements sportifs à partir d’images, afin d’enrichir des fonctionnalités produit et de structurer l’exploitation de données visuelles. Le défi consistait à concevoir un modèle de computer vision capable de détecter et classifier plusieurs éléments à partir d’images brutes. Responsabilités & réalisations : - Conception et implémentation de modèles de machine learning et deep learning pour la classification d’images et la détection d’objets - Prétraitement des datasets d’images (nettoyage, augmentation, amélioration de la qualité) afin d’optimiser les performances des modèles - Mise en place de pipelines automatisés de traitement d’images (recadrage, redimensionnement) pour standardiser les entrées - Optimisation des architectures de modèles et des workflows d’entraînement pour améliorer la précision de détection - Structuration du code et des expérimentations afin de garantir reproductibilité et efficacité Résultats : Développement d’un modèle de computer vision fonctionnel permettant la détection et la classification d’équipements sportifs, facilitant l’automatisation et l’extraction de données structurées à partir de contenus visuels.

Contexte : Le client souhaitait améliorer l’efficacité de ses campagnes marketing en comprenant mieux les comportements clients et les habitudes d’achat. Objectif : segmenter la base clients en groupes pertinents afin de permettre des stratégies marketing ciblées et pilotées par la donnée. Responsabilités & réalisations : - Contribution à la conception d’une méthodologie de segmentation client basée sur les comportements d’achat et les habitudes de consommation - Réalisation d’analyses exploratoires approfondies pour identifier des insights marketing exploitables - Nettoyage, transformation et intégration de données issues de sources multiples afin de garantir leur cohérence analytique - Développement des variables (features) utilisées pour alimenter les modèles de machine learning Résultats : Mise à disposition de segments clients exploitables permettant d’améliorer le ciblage des campagnes marketing, d’augmenter leur pertinence et de soutenir des décisions marketing basées sur la donnée.

Contexte : Le client souhaitait améliorer ses performances commerciales en optimisant la distribution de flyers et de brochures grâce à une approche prédictive basée sur la donnée. Les stratégies existantes étaient statiques et ne prenaient pas en compte les dynamiques locales ni les performances historiques. Responsabilités & réalisations : - Contribution à l’entraînement de modèles de machine learning pour optimiser la distribution logistique des supports marketing - Réalisation d’analyses exploratoires afin d’identifier les inefficacités des stratégies de distribution existantes - Nettoyage, transformation et validation des données pour garantir leur qualité et leur fiabilité analytique - Collaboration avec les équipes métier pour traduire les objectifs logistiques en solutions data concrètes Résultats : Mise en place d’une approche de distribution plus intelligente et prédictive, permettant d’améliorer les performances commerciales et d’optimiser l’allocation des ressources marketing.