Oumaima LFAKIR

– Contribution à la mise en place et au déploiement de produits Data & IA sur une plateforme Data Cloud (GCP), dans un environnement multi-domaine, avec un objectif d'industrialisation, de scalabilité et de réduction du time-to-market. – Projet Data: Projet de Téléphonie Orange – Projet Data: Projet de gestion des utilisateurs de Orange – Projet Data: Projet de gestion des matériels : Mobiles et Ordinateurs – Projet Data: Socle Carbone: structuration des données liées à l'empreinte carbone pour le reporting environnemental – Projet IA : UOM sondage : évaluer la satisfaction globale des utilisateurs de Orange en analysant les sondages de satisfaction post-support, grâce à des notes de tonalité obtenues par IA à partir des réponses textuelles des clients – Projet Data: Projet Finance: Gestion financière des installations de la fibre – Projet IA: Callbot IA pour le périmètre Finance fournisseurs – Projet RH: Assistant conversationnel pour les salariés – Cadrage & Product Discovery – Cadrage des besoins métiers et animation des ateliers de recueil – Traduction des besoins en use cases data & IA – Définition des KPI produits et des impacts business attendus – Formalisation des spécifications fonctionnelles et techniques (user stories, règles de gestion) – Rédaction des spec – Agile & gestion des sprints – Gestion et priorisation du backlog produit – Organisation et animation des rituels Agile (sprint planning, daily, sprint review, rétrospective) – Suivi de l'avancement des sprints et gestion des dépendances – Collaboration étroite avec le Tech Lead pour aligner vision produit et implémentation – Product Management & Data Platform – Contribution à la roadmap de la plateforme Data & IA sur GCP – Définition et promotion des Data Products auprès des métiers – Participation à la structuration d'une approche Data Mesh – Suivi de la performance produit (adoption, usage, qualité de service) – Pilotage & Delivery – Pilotage des projets data & IA (planning, risques, coordination) – Coordination des équipes data engineering, data science, BI et métiers – Suivi des livraisons et respect des engagements – Mise en place de boucles de feedback utilisateurs – Gouvernance & qualité – Contribution à la gouvernance data (règles, standards, qualité) – Suivi de la qualité des données et de la performance des pipelines – Participation aux instances de gouvernance Data – FinOps & impact carbone – Suivi des coûts d'usage de la plateforme (logique FinOps) – Contribution aux projets liés à l'empreinte carbone (Socle Carbone) – Use cases Data & IA – Pilotage de produits data : – Téléphonie (performance opérationnelle) – Finance (fibre, fournisseurs) – IA satisfaction client (analyse de tonalité) – Callbot IA & assistant RH – Environnement technique: GCP (BigQuery) – Python – SQL – Dataiku – Git – Jira – Confluence – Power BI – Qliksens - Tableau

– Product Discovery & cadrage métier – Transformation des besoins métiers retail en produit data orienté performance opérationnelle – Définition des use cases et KPI business (taux de transformation, fréquentation, parcours client) – Conduite de phases de discovery avec les équipes terrain (responsables magasin) – Product Management & roadmap – Construction et pilotage de la roadmap produit alignée avec les enjeux business – Priorisation du backlog basée sur la valeur et l'impact opérationnel – Suivi de l'adoption produit et ajustement des livraisons – Delivery & coordination – Coordination des équipes data (ingestion, transformation, visualisation) – Pilotage des développements et des livraisons – Animation des rituels Agile (sprints, reviews, suivi) – Valorisation & impact – Mise en place de dashboards décisionnels (Tableau / Qlik) – Analyse du comportement client (parcours, zones chaudes/froides, temps de présence) – Contribution à l'optimisation de la performance commerciale en magasin – Environnement technique: Snowflake - SQL – Python – Tableau – Qlik – Jira – Confluence – Git

– Contexte : Pilotage d'un produit data dédié à la connaissance client et à l'optimisation de la fidélisation, basé sur un modèle Customer 360° intégrant des données CRM, e-commerce et retail. – Cadrage & vision produit – Transformation des enjeux marketing en produit data orienté connaissance client – Définition des use cases et KPI (rétention, fréquence, valeur client, engagement) – Product Management – Construction de la roadmap produit orientée performance marketing – Priorisation du backlog basée sur la valeur business – Collaboration étroite avec les équipes marketing et CRM – Delivery & coordination – Coordination des équipes data pour l'intégration des données multi-sources – Pilotage des développements et des livraisons – Suivi de la qualité des données – Valorisation & impact – Mise en place de dashboards marketing – Analyse du comportement client et segmentation – Contribution à l'optimisation des campagnes marketing – Environnement technique: Snowflake - GCP (BigQuery) – SQL – Python – CRM Data – Tableau – Qlik – Jira – Confluence – Git

– Projet 1: Détection de fraude transactionnelle (Data & IA) – Contexte: Dans le cadre de la stratégie Data & IA, mise en place d'un dispositif de détection de fraude visant à sécuriser les transactions bancaires et réduire les pertes financières, basé sur l'exploitation des données transactionnelles et des comportements clients. – Cadrage & use cases métier : – Recueil des besoins auprès des équipes fraude, risque et conformité – Définition des use case (fraude carte, virements suspects, comportements anormaux) – Définition des KPI (taux de fraude détecté, faux positifs, précision des modèles) – Industrialisation des modèles IA : – Pilotage de l'industrialisation des modèles de scoring de fraude – Coordination avec les équipes data science, data engineering et product – Rédaction de la documentation (run, monitoring, règles de gestion) – Accompagnement à la mise en production des modèles – Monitoring & suivi des performances : – Mise en place de dispositifs de suivi des modèles (drift, performance, qualité des données) – Suivi des scores de fraude et analyse des anomalies – Amélioration continue des modèles avec les équipes data – Valorisation & pilotage : – Développement de dashboards sous Power BI pour le suivi des indicateurs – Visualisation des alertes fraude et des performances des modèles – Mise à disposition d'indicateurs pour les équipes métier et décisionnelles – Pilotage & gouvernance projet : – Animation des rituels projet (daily, suivi, COPIL) – Gestion et priorisation du backlog data / IA – Coordination des parties prenantes (métier, IT, data) – Organisation des phases de recette (UAT) et validation métier – Environnement technique : Power BI – SQL – Python – Dataiku - Oracle- Azure – Projet 2: Détection des transactions suspectes (AML) – Contexte: Dans le cadre des exigences réglementaires, mise en place d'un dispositif data dédié à la détection des transactions suspectes et au suivi des profils clients à risque, afin de renforcer la conformité (KYC / AML) et sécuriser les opérations financières. – Cadrage & use cases métier : – Recueil des besoins auprès des équipes conformité, risque et contrôle interne – Définition des use case (transactions suspectes, comportements atypiques, profils à risque) – Définition des KPI (taux d'alertes, taux de conformité, délais de traitement) – Conception & structuration data : – Modélisation des données clients et transactions (profil KYC, historique, comportements) – Structuration de datasets analytiques pour la détection des anomalies – Définition des règles de gestion et de qualité des données – Pilotage & delivery : – Coordination des équipes data, conformité et IT – Gestion et priorisation du backlog AML – Suivi des développements et validation des règles de détection – Organisation des phases de recette – Détection & monitoring : – Mise en place de règles de détection (seuils, scénarios suspects) – Suivi des alertes et analyse des anomalies – Amélioration continue des mécanismes de détection – Valorisation & pilotage :

– Projet 1: Data Warehouse & BI – Contexte: Mise en place d'un produit data dédié au pilotage de la performance du groupe, basé sur la valorisation des données issues de l'ERP Oracle E-Business Suite dans un environnement on-premise. Le projet visait à fournir une vision fiable et consolidée aux métiers, en améliorant la qualité des données et en structurant les indicateurs opérationnels et financiers. – Cadrage & conception Data – Cadrage des besoins métiers et animation des ateliers – Définition des KPI et des règles de gestion – Conception du Data Warehouse et des datamarts – Modélisation des données (schémas décisionnels) – Pilotage & gouvernance projet – Pilotage global du projet (planning, ressources, risques, budget) – Animation des comités projet / COPIL – Organisation et structuration de la documentation (Confluence) – Gestion, priorisation et alimentation du backlog data – Coordination des équipes data, BI et infrastructure – Delivery & suivi opérationnel – Pilotage des flux d'ingestion et transformation (ETL – ODI) – Organisation et suivi des phases de recette (UAT) – Validation métier et Go/No Go – Suivi des développements et des livrables – Valorisation métier – Mise en place de dashboards via OBIEE – Accompagnement des métiers dans l'exploitation des données – Environnement technique: Oracle E-Business Suite - Oracle DB – ODI – OBIEE – SQL – Confluence - On-Premise

– Contexte: Le projet visait à améliorer la performance, la stabilité et la fiabilité des systèmes data, tout en assurant un suivi en temps quasi réel. Dans un environnement on-premise, les traitements data et les flux ETL manquaient de visibilité et de supervision, impactant la disponibilité des données et le respect des SLA pour les métiers. – Cadrage & conception : – Identification des besoins en supervision et en performance des systèmes data – Définition des indicateurs de suivi (SLA, temps de traitement, disponibilité) – Conception d'une solution de monitoring des flux data et des traitements – Pilotage & gouvernance projet : – Pilotage global du projet (planning, ressources, risques, priorités) – Animation des points de suivi projet et coordination des équipes techniques – Organisation et structuration de la documentation (Confluence) – Gestion et priorisation du backlog lié aux incidents et à la performance – Delivery & mise en œuvre : – Mise en place d'une solution de centralisation et d'analyse des logs via Elasticsearch – Suivi en Quasi temps réel des flux ETL et des traitements batch – Mise en place de mécanismes de détection des anomalies et incidents – Suivi des développements et des mises en production – Performance & fiabilité : – Optimisation des requêtes SQL et des traitements batch – Analyse des performances et identification des goulots d'étranglement – Amélioration des SLA et de la disponibilité des données – Mise en place d'actions correctives et amélioration continue – Environnement technique: Elasticsearch - Oracle DB – ODI – SQL – Confluence - Infrastructure On-Premise - Jira

– Projet 1: Pilotage de la qualité de service en gare (Data Product) – Contexte: Mise en place d'un produit data dédié au pilotage de la qualité de service en gare, visant à améliorer l'expérience voyageur et à fournir une vision consolidée de la performance opérationnelle aux directions métiers. – Cadrage & vision produit – Transformation des besoins métiers en produit data orienté pilotage opérationnel – Définition des use cases et des KPI stratégiques (taux de conformité, qualité de service, délais de résolution) – Animation des ateliers métiers (équipes terrain, exploitation, qualité) – Conception & modélisation data – Structuration et modélisation de data marts orientés métier – Définition des règles de gestion et des référentiels de données – Conception des pipelines de préparation (nettoyage, normalisation, enrichissement) – Pilotage & delivery – Priorisation du backlog et rédaction des user stories – Coordination des équipes data (engineering, BI) – Organisation et suivi des phases de recette (UAT) – Validation des indicateurs et Go/No Go – Valorisation & usage métier – Mise à disposition de dashboards de pilotage opérationnel – Suivi de la qualité des données et analyse des anomalies – Accompagnement des équipes terrain dans l'exploitation des indicateurs – Environnement technique: Power BI – SQL Server / Oracle – ETL (Talend) – SQL – Excel