Mouna Rhalimi

Modélisé et industrialisé le pipeline analytique des données de vulnérabilités (dbt, BigQuery): couche staging + marts, tests automatisés, documentation auto-générée, alimentation de dashboards RSSI sous Power BI. Piloté avec les équipes IT et sécurité la réconciliation de 5 référentiels et fiabilisation de la CMDB comme source de vérité IT, portant le taux de couverture de 40% à 80%. Conçu un assistant IA (RAG) pour l'interrogation de 500 pages de documentation de Confluence : vectorisation (Qdrant, OpenAI), recherche sémantique, LLM, FastAPI, Docker. Structuré la gouvernance data : définition et suivi d'indicateurs qualité en production, animation d'ateliers méthodologiques avec les métiers, benchmark et recommandation d'outils de data catalog. Stack : Python, dbt, BigQuery, Power BI, Docker, Airflow, Git, Jira, ServiceNow, IA générative (LLM), Méthode SAFe.

Modélisation et transformation de données géospatiales (PostgreSQL , Python) : construction de tables analytiques avec tests qualité intégrés pour fiabiliser les indicateurs métier. Conception de 20 rapports Power BI et accompagnement équipes vers l'autonomie data. POC géospatial : enrichissement du catalogue de données avec des nouvelles sources et validation qualité automatisée. Animation d'ateliers bonnes pratiques data integration, contribuant à une réduction de 30% des anomalies et tickets qualité. Stack : Python · PostgreSQL · Power BI · Git · Scrum

Co-inventé le brevet FR3146255B1 : algorithme d'extraction de mobilité (ML + théorie des graphes), précision ×2 vs solutions existantes. Conçu et industrialisé une librairie trajectoires (tests, documentation versionnée, GitLab). Déployé un modèle prédiction churn end-to-end avec interface métier (Streamlit). Implémenté bonnes pratiques R&D : tests unitaires, modularité, optimisation, documentation, rapports CIR. Stack : Python · GitLab · PostgreSQL · QGIS · Streamlit · Bash

Modèle ML prédiction stationnement (classification + analyse spatiale, données Yelp scrapées). Stack : Python · R · Scikit-learn · BeautifulSoup · QGIS

Modélisation de la survie avant premier accident via un modèle de hasards proportionnels. Application d’une régression de Poisson pour la fréquence et d’une régression logistique pour la probabilité d’accident. Réalisation complète du processus de modélisation statistique avec R.