Quentin Loumeau

Entrepôt analytique des offres d'emploi data et IA. Les offres sont éparpillées entre plateformes et republiées plusieurs fois, l'entrepôt les rassemble pour mesurer les compétences réellement demandées et les rémunérations proposées. Ingestion orchestrée avec Mage, puis modèles dbt en couches sur PostgreSQL, d'un staging qui normalise intitulés, entreprises et villes jusqu'à des marts prêts pour la visualisation, avec tests d'unicité et de non-nullité sur les clés. Chargement idempotent par clé de hachage, une offre rechargée est mise à jour sans créer de doublon. Une empreinte entreprise, intitulé et ville calculée dans dbt fusionne une même offre publiée sur plusieurs plateformes en gardant la liste de ses sources. Mart de compétences qui croise, pour chaque technologie, le volume d'offres, la part de CDI, de freelance et de remote, le TJM et le salaire moyens. Les compétences sont extraites des descriptions par un LLM léger, appelé seulement après un filtre qui écarte les offres hors cible et journalise chaque motif de rejet, avec repli sur des règles si le modèle ne répond pas. Python, SQL, dbt, PostgreSQL, Mage AI, Pydantic, SQLAlchemy, pytest.

Chaîne qui transforme des CV PDF non structurés en données validées par schéma, puis les note pour un recrutement. Conçue, développée et mise en production seul, en parallèle de l'alternance Enedis puis après elle. Extraction en moins de 60 secondes pour 0,02 euro par dossier, en découpant le document une seule fois en amont puis en parallélisant les agents, chacun sur sa section. Contrôle qualité rejoué avant chaque livraison, qui bloque une version si moins de 95 % des faits extraits se retrouvent dans le document source, si le coût dépasse 0,03 euro par CV ou si une classification change d'une exécution à l'autre. Note des candidats définie comme un indicateur pondéré dans le code et non laissée au modèle, donc reproductible et décomposable critère par critère. Référentiel de 31 fiches métiers sorti du code et tenu comme une donnée, rapproché de chaque profil par similarité pour retenir les trois métiers les plus proches. Python, FastAPI, Pydantic, PostgreSQL, MongoDB, Redis, Docker, LangGraph, CrewAI.

Gestionnaire du réseau public de distribution d'électricité. Direction Audit, Contrôle Interne et Risques, sur les données de fraude, de conformité et d'audit de 25 directions régionales. Dix flux Dataiku à recettes Python refondus et industrialisés, avec 40 % de volumes traités en moins pour un résultat métier identique et une traçabilité exploitée par les auditeurs pendant les contrôles. Les chaînes qui reposaient sur moi sont reprises par les analystes de l'équipe sans accompagnement. Modélisation de tables de plusieurs millions de lignes pour quatre tableaux de bord Power BI adoptés par les 25 directions régionales, itérés sur les retours des utilisateurs jusqu'à l'adoption. Dix tests de contrôle rejouables sur quatre entités régionales à chaque campagne d'audit, de l'extraction au nettoyage des données. Application web Dataiku où les risk managers régionaux déposent eux-mêmes les données sources des analyses conduites à leur demande. Traitements de séries temporelles pour les contrôles de conformité, connexion de Dataiku à des API externes, et enrichissement de données par LLM pour l'analyse de fraude. Dataiku, Power BI, SQL, Python, API externes.

Transition professionnelle vers l'analyse de données

Quinze ans en production pâtissière, en France et à l'étranger, dont cinq comme responsable de production. Équipes jusqu'à 8 personnes, planification de la production et des approvisionnements sous contrainte de traçabilité des lots, volumes quotidiens à date de livraison ferme. Sur les dernières années, pilotage de la production par les chiffres plutôt qu'à l'expérience, ventes, cadences, rebut, stock et marge. C'est le point de départ de mon passage à la data. Cinq ans à l'étranger, en Suède, en Angleterre et en Australie, en équipe internationale et en anglais au quotidien.