Mohamed Boughattas

• Conçu et déployé de bout en bout le socle data de la startup, en bâtissant une plateforme lakehouse cloud-native sur AWS et Snowflake, centralisant les données de l’entreprise pour alimenter les cas d’usage analytiques et décisionnels. • Développé des pipelines ELT Python de niveau production (Pandas, Polars) intégrant tests unitaires (Pytest), validation des données (Pandera) et gestion des erreurs afin d’améliorer la fiabilité des traitements. • Orchestré des pipelines Airflow sur l’ensemble du cycle de vie de la donnée, de l’ingestion à la consommation des données, avec gestion des dépendances, monitoring et reprise sur incident. • Implémenté les transformations de données avec dbt selon une architecture Medallion (staging, intermediate, marts), en développant des modèles incrémentaux, des tests de qualité des données et une documentation auto-générée pour standardiser les règles métier et garantir une source de vérité unique. • Optimisé les performances Snowflake (clustering keys, warehouse sizing, auto-suspend, optimisation SQL et partition pruning), réduisant les coûts de calcul de 30 % et accélérant les requêtes analytiques. • Automatisé les déploiements avec Terraform, Docker et GitHub Actions en appliquant les bonnes pratiques Infrastructure as Code (IaC) et CI/CD. • Renforcé l’observabilité des pipelines avec CloudWatch, Grafana et un système d’alerting Slack, réduisant le MTTR des incidents en production de 50 %. • Recueilli les besoins analytiques avec les équipes Produit, Finance et Opérations et élaboré les modèles de données dimensionnels (Star Schema), pipelines et jeux de données pour leurs usages. • Mis à disposition plus de 30 sources de données certifiées Tableau, servant de base aux tableaux de bord et à l’analytique en self-service des équipes métiers. • Environnement : Snowflake, SQL, Python (Pandas, Polars, Pytest, Pandera), dbt, Apache Airflow, AWS (S3, EC2, Athena, CloudWatch), Terraform, Docker, GitHub Actions, Grafana, Tableau, Git.

• Construit et orchestré des pipelines ETL de production avec Azure Data Factory, ingérant des données de plus de 10 systèmes multi-sources, avec planification, gestion des dépendances et reprise sur erreur pour les workloads analytiques. • Mis en place une validation automatisée des données et des contrôles de conformité des schémas au niveau de la couche d’ingestion, empêchant les données invalides d’atteindre les rapports et tableaux de bord en aval. • Optimisé les charges SQL sur les pools SQL dédiés d’Azure Synapse Analytics via stratégies de distribution, vues matérialisées et statistiques, réduisant les temps de traitement de 50 % et débloquant l’analytique en aval. • Conçu des modèles de données dimensionnels (Star Schema) dans Azure Synapse Analytics, structurant des tables de faits et de dimensions pour répondre aux besoins de reporting des équipes Finance et Opérations. • Conçu une couche sémantique réutilisable (mesures DAX, datasets certifiés) alimentant plus de 15 tableaux de bord Power BI pour les équipes Finance et Opérations, permettant le monitoring self-service des KPIs avec des définitions cohérentes. • Environnement : SQL, Python, Azure Data Factory, Azure Data Lake Storage Gen2, Azure Synapse Analytics, Git, Power BI.

• Conçu et entraîné des modèles de Deep Learning (CNN) pour l’estimation de l’illuminant multispectral, atteignant 85 % de précision. • Développé un outil interne de visualisation et d’analyse automatisant le débogage, le benchmarking et l’évaluation des performances. • Environnement : Python, TensorFlow, Keras.