Pierre Munhoz

• Mise en place d'une expérience analytics unifiée via Databricks sous 6-9 mois accessible à tous les profils data de l'entreprise • Définition et co-construction de l'architecture et des outils de déploiement des lakehouses par domaine en lien avec les feature teams • Mise en place l'accès unifié aux données, avec une gestion des permissions self-service par domaine/lakehouse • Contribution aux chantiers de gouvernance et de qualité, notamment la mise en place du semantic layer et des data contracts as code • Participation au design applicatif et à la définition des golden paths pour l'usage et la production de données analytics • S'assurer de la fiabilité, la sécurité et la maintenabilité de la plateforme dans un environnement AWS

• Lead technique de l’équipe Energy Management (16 personnes) sur une plateforme data critique utilisée en production 24/7, garant de la qualité, robustesse et scalabilité des systèmes. • Ownership de la plateforme data et d’orchestration, incluant la conception, l’exploitation et l’amélioration continue des pipelines et services associés. • Conception, développement et orchestration de pipelines de données critiques avec Dagster, en collaboration étroite avec les Quantitative Analysts. • Administration et optimisation des déploiements Kubernetes (AKS) : gestion des ressources, résolution d’incidents en production et amélioration de la disponibilité et résilience des applications. • Mise en place et maintien de bonnes pratiques d’industrialisation : tests, CI/CD, déploiements automatisés en staging et production via GitLab. • Implémentation d’une Infrastructure as Code avec Terraform pour gérer les ressources critiques (SQL Server, GitLab repositories, secrets Azure Key Vault). • Définition et diffusion des standards data & platform, incluant monitoring, alerting et bonnes pratiques de sécurité. • Formation, accompagnement et mentoring de l’équipe Energy Management sur les aspects data, plateforme et bonnes pratiques de développement. Stack technique : Azure, Dagster, Python, Terraform, GitLab, CI/CD, Kubernetes, SQL Server

• Conception et déploiement de pipelines data liés aux problématiques de Rétention des utilisateurs. • Mise en place de processus d’ingestion, de modélisation et de transformation de données au sein d’un Data Lake basé sur Snowflake. • Automatisation et industrialisation du déploiement des pipelines data à l’aide d’Airflow et de pratiques CI/CD. • Rédaction technique et fonctionnelle de la documentation associée aux projets réalisés. Stack technique : AWS, Airflow, dbt, Snowflake, Terraform, GitHub

• Développement et déploiement d’un système backend pour appliquer les règles d’exclusion spécifiques aux assureurs, identifiant automatiquement les traitements non couverts et réduisant ainsi les efforts de validation manuelle des demandes. • Conception et mis en place des pipelines ETL avec Dagster pour extraire, transformer et intégrer les données clients dans la base de données, améliorant ainsi la fiabilité des données et leur accessibilité pour les équipes d’analyse. • Optimisation d’un modèle de détection de fraude, réduisant significativement les faux positifs et augmentant la précision de la détection, renforçant ainsi la confiance dans le système et minimisant les risques financiers pour les assureurs. • Refactorisation de la code base, modernisant les composants critiques du traitement des données et améliorant la maintenabilité, l’évolutivité et la performance d’exécution. Stack technique : Azure, Dagster, Django, Python, Terraform, GitHub

▪ Création d'un data warehouse “from scratch” sur Google Cloud Platform (BigQuery, Cloud Storage, Secrets Manager, Compute Engine). ▪ Mise en place de dbt comme outil de transformation pour nos analystes. ▪ Implémentation de l'outil Airbyte sur un Google Compute Engine pour les ETL existants ainsi que la configuration de certaines extractions en low-code. ▪ Mise en place des configurations Terraform comme IaC pour la configuration d'Airbyte ainsi que pour Google Cloud Platform (IAM, datasets, service accounts...). ▪ Orchestration des workflows (Airbyte, dbt, scripts Python) avec Dagster et Docker. ▪ Formation de 3 juniors pour leur apprendre le métier d’analytics engineer (transformation de données et création de dashboards).

- Mise en œuvre d'un plan detracking complet pour Ferrero à l'aide de Google Analytics. - Identification et résolution avec succès d'anomalies dans les données de trafic pour les campagnes publicitaires de Richemont (Cartier, Tag Heuer, Van Cleef & Arpels...), en garantissant des mesures de performance précises. - Réalisation d'évaluations rigoureuses de la qualité et de transformations des données BigQuery pour la création de dashboards e-commerce cross-country pour Shiseido et Bareminerals sur Looker Studio. - Conception et réalisation d'un dashboard intermarques pour le groupe Richemont à l'aide de SAP Dashboard et de données BigQuery, fournissant des informations précieuses sur plusieurs marques.

- Implémentation et amélioration de l'ERP : utilisation d'Airtable et de son API avec Node.JS - Analyse UX : utilisation de Hotjar pour analyser le comportement des utilisateurs et identifier les frictions UI/UX - Gestion et amélioration du Chatbot (NLP) - Audit SEO sur notre site web en utilisant SEMrush

- Construction d'un dashboard pour suivre les KPI afin de réaliser une analyse de la performance de chaque destination (Excel, Google Sheet, VBA, JavaScript) - Création d'automation pour améliorer la productivité au sein de l'entreprise (notamment autour de la génération des Notes de Frais) - Amélioration continue du site web de Shanti Travel (Photoshop)