Rachid Jeffali

Conception et livraison de bout en bout d'une plateforme d'acquisition et de qualification de leads B2B (site public, tunnel de formulaire, back-office) en Next.js/TypeScript sur infrastructure serverless Firebase. • Intégration de l'API publique de l'État recherche-entreprises.api.gouv.fr pour le pré-remplissage automatique des données légales à partir du SIREN • Développement d'une API REST d'administration authentifiée (Cloud Functions v2, Node 22) : vérification de jeton Firebase ID côté serveur, autorisation par liste blanche, workflow de statuts, notes horodatées et export CSV. • Sécurisation de la chaîne de données : règles Firestore en refus total, secrets en Google Secret Manager, allow-list CORS, double validation client/serveur et protection anti-robot. • Fiabilisation du tunnel de conversion par persistance du lead avant notification, garantissant zéro perte de demande en cas d'indisponibilité du fournisseur d'e-mail transactionnel.

Datafrance.fr — Transformer des données publiques complexes en décisions exploitables en quelques secondes Rôle : Fondateur & développeur full-stack Problème classique : données dispersées, dashboards lourds, impossible de répondre simplement à « comment va ce territoire ? ». Résultat : décisions lentes, outils peu utilisés, valeur limitée. J’ai conçu Datafrance.fr pour inverser cette logique. Plateforme qui transforme des sources publiques brutes (INSEE, DVF, OFGL, RNE…) enréponses immédiates, comparables et compréhensiblesà l’échelle d’une commune, d’un département ou d’une région. Concrètement : Comparaison automatique avec territoires équivalents (strate, voisins, national) Score + tendance + lecture directe (pas de données brutes à interpréter) Couverture : immobilier, emploi, budget, bilan politique Accès sans culture data : réponse en quelques secondes Différence clé vs un dashboard : Aucun paramétrage → insight immédiat Donnée interprétée → décision rapide Pages SEO massives → visibilité (35 000+ communes indexées) → Passage d’un outil d’analyste à unmoteur de décision accessible Réalisations techniques : Pipeline ETL Python multi-sources avec normalisation territoriale avancée (codes INSEE, gestion PLM, strates démographiques) Génération ISR dedizaines de milliers de pagesoptimisées SEO (JSON-LD, hubs régionaux) Score propriétaire par thème + classements nationaux Visualisation et cartographie performantes (ECharts, MapLibre) → Données lourdes transformées en rendu instantané, lisible et exploitable Stack : Next.js · TypeScript · FastAPI · PostgreSQL/PostGIS Python (ETL) · Tailwind · ECharts · MapLibre Positionnement : Pas un dashboard de plus. Un système qui rend la donnée actionnable.

PRM SaaS — Automatiser la prospection sans se faire bloquer ni perdre en performance Rôle : Architecte & développeur backend/full-stack Problème fréquent : automatiser LinkedIn/WhatsApp sans se faire détecter, tout en gérant volume, temps réel et dette technique. Résultat classique : systèmes instables, bannissements, scaling impossible. Conception d' une plateforme PRM pour gérer ces contraintes en production. SaaS de prospection : collecte de profils, enrichissement (email/téléphone), campagnes LinkedIn automatisées, messagerie WhatsApp et gestion de crédits. Concrètement : Campagnes LinkedIn automatisées avec stratégies anti-détection Communication temps réel backend ↔ extension Chrome (WebSocket/STOMP, heartbeat) Enrichissement asynchrone multi-API avec gestion transactionnelle des crédits Admin complet, feature flags, i18n FR/EN, intégration Stripe (abonnements + crédits) Architecture & performance (différenciateur clé) : Monolithe modulaire DDD avec frontières strictes (ArchUnit) Virtual Threads → temps de hold DB réduit de 3–5s à ~10ms (x300) Capacité concurrente passée de ~5 à1000+ opérations simultanées → Système scalable sans exploser la complexité Qualité & exécution : 2 035+ tests automatisés (unitaires → E2E) avec DSL métier lisible Stratégie multi-driver : InMemory, Testcontainers, Playwright Coverage contrôlée (JaCoCo), hooks automatiques CI/CD GitLab : commit → acceptance → staging → production Continuous Deployment réel + conteneurisation Docker → Zéro “release day”, sécurité maximale en prod Stack : Kotlin · Spring Boot · PostgreSQL · WebSocket/STOMP Docker · GitLab CI/CD · Playwright · Testcontainers Positionnement : Un système de prospection qui tient la charge, respecte les contraintes plateformes et reste maintenable. Votre système d’automatisation devient fragile ou ne scale pas ? Ou besoin de construire une base solide dès le départ.

Scoring NLP — Transformer du texte web en indicateur d’engagement fiable Rôle : Architecte ML & développeur backend Problème courant : analyser du contenu à grande échelle sans produire des scores bruités ou inutilisables. Multilingue, qualité des données, faux positifs… la plupart des systèmes échouent ici. Conception d' une plateforme SaaS pour produire un scoring robuste et exploitable. Objectif : attribuer un score d’engagement sociétal (environnement, santé, éducation…) à partir d’un texte ou d’une URL, basé sur des corpus massifs (pétitions). Concrètement : Analyse automatique de contenu web (scraping + parsing) Identification de 20–25 thématiques via NLP Score final (1–5) pondéré par importance et quantiles Support multilingue (FR, EN, ES) Différenciateur : qualité du signal Modèles NMF + TF-IDF avec seuillage → réduction des faux positifs Pipelines linguistiques sur mesure (lemmatisation, n-grammes, stopwords dédiés) → Résultat : score lisible et exploitable Architecture : Pipeline complet : scraping → preprocessing → scoring Traitement asynchrone via Apache Kafka Détection de langue multi-modèles → Système scalable et fiable Stack : Python · scikit-learn · spaCy · Kafka · pandas Positionnement : Un système NLP orienté résultat métier.