Miljan Stojiljkovic

Développement de pipelines de données automatisés sur GCP pour SEIKI en utilsant DBT. L'objectif était de transformer un script SQL en un projet DBT industrialisé sur de la modélisation de trafic.

En tant que Lead Data Engineer, je pilote la stratégie data du site français de Nyrstar afin de fiabiliser et d’automatiser les décisions opérationnelles sur l’ensemble des départements de production. Rattaché au Data Office groupe, je dirige une équipe pluridisciplinaire de trois experts (Data Engineer, BI Analyst, Data Scientist) qui constitue le département data externalisé de l’usine. Périmètre du projet Collecte automatisée – refonte complète des fichiers Excel et des saisies manuelles pour capter les données brutes sans rupture. Data catalogue – définition et documentation de toutes les mesures clés (production, rendement, sécurité, énergie). Datalake structuré sur Azure – architecture Bronze / Silver / Gold pour industrialiser la qualité des données. Reporting Power BI – déploiement de tableaux de bord quotidiens et hebdomadaires adaptés à chaque service. Machine Learning – algorithmes destinés à optimiser les procédés internes et prévenir les accidents. Enjeux & complexité Sources hétérogènes (ERP, Excel, capteurs industriels) et volumes croissants nécessitant une orchestration robuste. Forte exigence de gouvernance pour garantir l’intégrité des KPI critiques dans un environnement industriel. Besoin d’alignement constant entre les métiers et l’IT pour ancrer une culture data-driven durable.

Développement d'une application de génération d'images alimentée par l’IA Architecture complète : Spécifications techniques, gestion des rôles et système de prompts Authentification : Intégration Microsoft SSO OAuth2 sécurisée Backend Django : API de génération d'images, chat multistep interactif, gestion des sessions utilisateurs Frontend Svelte : Interface complète avec upload, chat, affichage d'images et outil de masking Intégration Azure OpenAI : Génération multi-images avec streaming et styles personnalisés

Développement d'un Dashboard Analytics Complet avec Power BI - Suivi de Performance Web Client : Équipe Marketing & Communication d'une grande entreprise pharmaceutique Contexte : Création d'un tableau de bord analytique avancé pour suivre les performances du site web avec des données Google Analytics 4, permettant un pilotage data-driven des contenus et de l'engagement utilisateur. Réalisations techniques : Intégration multi-sources : Connexion GA4 + SharePoint avec flux de données automatisés Modélisation avancée : Architecture de données optimisée avec tables de faits, dimensions et paramètres dynamiques Mesures DAX complexes : KPIs personnalisés, calculs de périodes précédentes, rankings dynamiques et formatage intelligent Interface utilisateur intuitive : Filtres interactifs, sélection multi-critères, navigation dynamique Système de mapping intelligent : Gestion automatisée de la correspondance pages/labels avec détection des pages non mappées Pipeline de déploiement : Environnements DEV → TEST → PROD configurés Fonctionnalités clés livrées : Suivi en temps réel : Utilisateurs, Sessions, Vues, Temps d'engagement Analyses temporelles : Comparaisons périodiques avec indicateurs de tendances Top 10 interactif : Classements dynamiques par page/label avec sélection multiple Détection des pics d'activité automatique Système de révision du mapping des pages Documentation technique complète Technologies utilisées : Power BI, DAX, Power Query, Google Analytics 4, SharePoint, Dataflows Résultat : Dashboard opérationnel permettant un suivi précis des performances web avec une interface moderne et des insights actionnables pour l'optimisation continue du contenu.

En tant que Data Scientist pour le Centre de Diffusion et d'Édition (Groupe Madrigall), j'ai piloté la transformation de leur stratégie commerciale par l'analyse de données et le machine learning. Analytics et Optimisation Commerciale Développement d'une solution complète d'analyse et d'optimisation pour la force commerciale : - Consolidation et nettoyage des données SAP - Analyse descriptive et statistique approfondie - Identification des corrélations clés (visites/CA, performance/représentant) - Analyse des taux de retour et poids du fonds - Gains : Optimisation des ressources commerciales et efficacité des visites Modélisation Prédictive des Visites Mise en place d'algorithmes de machine learning pour l'optimisation des visites : - Modélisation de la relation visites/CA - Détection des clients sous-visités et sur-visités - Calcul automatisé du potentiel de croissance - Recommandations personnalisées par client Segmentation Client Avancée Développement d'une solution de segmentation intelligente : - Classification non supervisée des clients - Création de personas détaillés automatisés - Analyse comportementale par segment - Recommandations stratégiques automatisées Technologies Utilisées **Analytics**: Python, Pandas **Visualisation**: PowerBI **Base de données**: SAP **Machine Learning**: Scikit-learn Cette transformation a permis d'optimiser l'allocation des ressources commerciales et d'améliorer significativement l'efficacité des visites clients à travers la France.

En tant qu'AI Engineer chez Jules, j'ai piloté le développement et le déploiement de solutions d'intelligence artificielle innovantes pour optimiser les processus métier clés de l'entreprise. Réalisations Principales Application de Description Produits Développement d'une solution complète d'automatisation pour l'e-commerce : - Génération automatique de descriptions produits avec IA générative - Interface métier pour la validation et personnalisation des contenus - Système de traduction automatisée multilingue - Intégration avec les systèmes existants pour une mise en ligne fluide - Gains : Réduction du temps de mise en ligne des produits et et des coûts de rédaction (50k / an) Content Factory IA Mise en place d'une suite d'outils IA pour la production de contenu visuel à grande échelle : - Génération d'images produits avec IA générative - Retouche automatisée d'images (correction, harmonisation) - Déclinaison produits en différentes couleurs - Habillage automatique de modèles avec nouveaux produits - Création de backgrounds personnalisés pour accessoires - Génération de visuels adaptés aux réseaux sociaux Solutions d'Intelligence Artificielle Métier Optimisation Tarifaire : Algorithme de pricing dynamique pour maximiser les ventes Personnalisation Client: - Système de prédiction du churn sous Snowflake - Automatisation des campagnes email personnalisées - Amélioration significative du taux de conversion Automatisation Financière - Développement d'une solution de rapprochement comptable automatisé - Réduction de 80% du temps de traitement manuel - Amélioration de la fiabilité des processus Technologies Utilisées IA Générative: Langchain, GPT-4, Gemini, Claude, Stable Diffusion, Comfy UI, Flux Machine Learning: Snowflake ML, Python (scikit-learn, TensorFlow) Développement: Django Cloud & Data: Snowflake, GCP

En tant que Head of Data pour Evergreen Media, avec mon équipe composé d'un Data Engineer et d'une Data Analyste spécialisée en PowerBI, nous avons développé une solution complète d'automatisation et d'analytics pour optimiser le pilotage de leur portefeuille clients Klaviyo. Infrastructure Data & Automatisation Mise en place d'une architecture data robuste pour l'agence : - Développement de connecteurs API Klaviyo automatisés - Création d'une base de données centralisée - Implémentation de pipelines ETL quotidiens - Système de validation et nettoyage automatique - Gains : Réduction de 95% du temps de reporting Dashboard Analytics Multi-Clients Développement d'une suite complète de tableaux de bord PowerBI : - Vue consolidée des performances tous clients - KPIs email détaillés en temps réel - Système d'alertes automatiques - Benchmark cross-clients - Détection précoce des anomalies - Analyse prédictive des tendances Monitoring Email Avancé Création d'un système de surveillance intelligent : - Détection temps réel des attaques de bots - Suivi de la délivrabilité par client - Analyse des plaintes spam - Monitoring santé des listes - Alertes automatiques personnalisées - Best practices identification Technologies Utilisées **Data Engineering**: Python, SQL, **Base de données**: BigQuery **API**: Klaviyo **Visualisation**: PowerBI **Cloud**: GCP Cette transformation a permis de passer d'un processus manuel chronophage à un système intelligent de pilotage, réduisant le temps de reporting de plusieurs heures à quelques minutes par semaine.

Infonet avait besoin de prédire des scores pour des entreprises en utilisant des données publiques, un défi typique de classification en machine learning (IA). Ma mission consistait à : 1- Traduire la problématique business en un problème de machine learning. Le scoring impliquait initialement une quinzaine de catégories. Pour optimiser l'entraînement, je les ai regroupées en 6 catégories principales. 2- Préparer les données financières avec les bilans d’entreprises J'ai expérimenté trois méthodes (scraping, API payante, API interne) pour améliorer la qualité des données. Le volume de données nécessaire a été sous-estimé au départ, nécessitant plusieurs itérations pour obtenir une base suffisante. 👉 Le client devait ici faire l’arbitrage entre l’investissement qu’il était prêt à faire pour constituer la base de données et les performances sur la précision de la prédiction finale. 3- Nettoyer et préparer les données 4- Entrainer et comparer les performances de plusieurs algorithmes de machine learning 5- Développer une API pour intégrer ma solution de prédiction au back office de leur site web. La réussite de ce projet d'IA reposait sur trois problématiques clés : 1- Définir précisément ce que nous voulions prédire et établir comment mesurer la performance de nos algorithmes. 2- Assurer un volume de données suffisant, adapté à la complexité du problème. 3- Maintenir une haute qualité de données pour garantir la fiabilité des prédictions. Maintenant, les fiches d'entreprise de mon client offrent des informations enrichies et prédictives, augmentant ainsi la valeur pour ses utilisateurs payants.

Mentoring d'étudiants dans le parcours DATA SCIENCE, je les accompagne toutes les semaines tout au long de leur formation pour décrocher un diplôme de Data Scientist chez Openclassrooms.

Objectif : Mise en place d’un référentiel client unique 360 Objectif Marketing fixé : +40% de CA annuel en 2023 Missions : - Audit de la qualité des données - Segmentation dynamique des clients - Calculs de KPIs clients - Pilotage du dédoublonnage des clients - Affectation des clients à des vendeurs en boutique - Automatisation de la segmentation et des calculs de KPIs (journalière) - Synchronisation avec le CRM sur Salesforce - Alimentation des dashboards sur PowerBI - Alimentation de l'app de clientelling Salesforce

Préparation du Bilan annuel de Showroomprivé (France & International) - Analyse des ventes - Analyse des membres (nouveaux clients, clients récurrents, ... ) - Analyse des comportements clients (Segmentation clients) - Profiling clients - Analyse Produits

• Audit des données de transactions clients • Nettoyage de données et création d’une base de données exploitable • Analyse exploratoire (Rapport et Visualisations des principaux kpis) • Analyse comparative des nouveaux clients (2021 vs 2020) • Ateliers de co-création avec l’équipe projet d’un scoring client basé sur le principe du RFM (Récende d’achat, Fréquence d’achat, Valeur monétaire) • Segmentation des clients (VIP, bons clients, nouveaux clients, clients endormis, clients perdus, …) • Développement d’un Dashboard de 4 pages : o Suivi des kpis de ventes o Suivi des performances Produits o Automatisation de la segmentation clients (mise à jour journalière + export csv) o Fiches clients (ensemble des informations que l’on a rassemblées sur les clients. Ex : Valeur monétaire, nombres de commandes, récence d’achat, produits préférés, jour de la semaine préféré pour passer commande, …) Outils informatiques utilisés : Python, Dash Qlikview Azure Devops Résultats : Déploiement d’un Dashboard / complément CRM permettant des campagnes personnalisées. (1ère campagne pour réveiller les clients endormis)

• Nettoyage des données textuelles (Dénomination des biens industriels écrit dans des champs libres) • Développement d’un algorithme de classification des biens industriels majoritairement basé sur la dénomination des biens • Extraction de données textuelles pour les transformer en propriété et capacité technique des biens industriels • Entrainement d’algorithmes de prédiction de valeurs des biens industriels • Prédiction de la valeur d’une usine Outils informatiques utilisés : R, Python, Excel Machine Learning (Random Forest, XGBoost, …) Résultats : POC d’un outil d’aide à la décision

• Création d’une base de données à partir de fichiers Excel • Migration des données depuis cette base de données vers Pipedrive • Mise en place de règles automatiques de complétion des données • Reporting hebdomadaires sur les activités • Développement d’une application web (sous Dash) faisant office de Dashboard pour la visualisation des données de ventes • Mise en place de connexions inter-outils via des API (Pipedrive vers le Dashboard) Outils informatiques utilisés : Python, Dash, Excel Pipedrive Résultats : Migration vers le nouveau CRM Pipedrive Reporting Hebdomadaires Dashboard en béta

Compétition Kaggle : • Identifier et construire les variables pertinentes à partir de données anonymisées • Augmenter les données • Construire et entrainer un modèle de machine learning ensembliste • Optimiser le modèle final de machine learning (LightGBM) • Tester les performances sur des données inconnues du modèle Outils informatiques utilisés : Python Machine Learning (Random Forest, XGBoost, CatBoost, LightGBM) Résultats : Médaille d’argent lors de la compétition (328eme sur 9000 équipes)

-Assimilation de la méthodologie du Lean UX (agile, design thinking, lean start-up, expérience utilisateur) _Cadrage et conception de dispositifs digitaux complexes _Conduite des ateliers de convergence interne _Tournée d’écoute à l’international _Définition des parcours clients, des personas et des fonctionnalités clés _Conception des écrans avec l’UX Designer et teste des écrans _Rédaction du cahier des charges technique et fonctionnel -Conduite du changement auprès de dirigeants -Rédaction de feuilles de route data et de ses cas d’usage métiers