Robin Vandamme

Projet : Développement de pipelines de données pour alimenter les analyses métiers. Création de tables Gold optimisées ayant contribué à une augmentation du CA de 10% sur 150+ magasins. Contexte : Suite au rachat de Netto, analyses des performances des nouveaux points de vente. Parallèlement, transformation de l'architecture de données vers Data Lake/Delta Lake et migration Microsoft Fabric. Missions : • Pipelines ETL/ELT avec Azure Data Factory et Databricks • Architecture médaillon (Bronze/Silver/Gold) avec stockage Delta Lake • Construction de tables Gold pour les métiers • Automatisation KPI, fichiers Excel et dashboards Power BI • Contrôle qualité et monitoring des pipelines • Migration vers Microsoft Fabric Environnement technique : Python, SQL, PySpark, Pandas, Databricks, Azure, Power BI, Azure Data Factory, Delta Lake, Microsoft Fabric

Projet : Conception et déploiement d'une plateforme de Marketing Mix Modeling pour optimiser les budgets marketing multi-pays ayant permis une augmentation de 20% du ROI sur 10+ marques. Contexte : Face aux millions investis dans les campagnes marketing, nécessité de créer une architecture de données robuste pour centraliser, traiter et analyser les budgets à l'échelle internationale. Missions : • Développement de pipelines ETL multi-sources • Architecture et modélisation de données • Implémentation d'une infrastructure cloud scalable pour le déploiement de modèles • Adaptation de l'architecture aux contraintes locales (saisonnalité, réglementation, formats de données) • Développement d'APIs et interfaces Streamlit Environnement technique : Databricks, Snowflake, Azure, DBT, PySpark, Docker, Azure DevOps, Streamlit, Power BI, Python, SQL

Projet : Développement d'un SaaS de recrutement automatisé : architecture full-stack, pipelines de données pour l'acquisition, traitement et scoring de profils. (70% du process automatisé). Contexte : Création d'une plateforme complète automatisant le processus de recrutement via scraping intelligent, traitement NLP et système de matching candidat-poste pour optimiser la sélection. Missions : • Architecture full-stack React/Django/FastAPI et base PostgreSQL • Pipelines d'acquisition et traitement de données (scraping, NLP, scoring) • Moteur de recherche avec scoring par similarité cosinus • APIs REST et architecture microservices découplée • Déploiement cloud Azure via GitLab CI, Docker, Terraform, Kubernetes Environnement technique : Python, Django, FastAPI, React, PostgreSQL, Docker, Kubernetes, Terraform, GitLab CI, Azure, Selenium, HuggingFace

Projet : Création modèle d'analyse de sentiment et classification automatique pour traitement tickets clients dans environnement cloud critique. Plus de 90% de précision avec réduction de 20% du temps de résolution. Contexte : Automatisation du routage des tickets d'incident vers les bonnes équipes techniques dans contexte SLA stricts. Traitement de données textuelles complexes mélant logs techniques et descriptions utilisateur. Missions réalisées : - Création features avancées avec modèles NLP et traitement langage naturel - Développement modèle analyse de sentiments pour priorisation tickets urgents - Création algorithme classification multi-classe pour routage automatique équipes - Développement interface web Django/Flask pour validation et feedback équipes - Déploiement solution en production avec monitoring performance temps réel - Formation équipes support à l'utilisation des modèles prédictifs Stack technique : Python, SQL, Pandas, Git, NLP, Natural Language Processing, Scikit-Learn, Django, Flask, Machine Learning, Classification, Sentiment Analysis

Projet : Création et déploiement modèle de clustering de serveurs pour migration optimisée vers cloud. Déploiement réussi en production sur infrastructures enterprise avec zéro incident de migration. Contexte : Migration d'infrastructures complexes vers cloud Azure/AWS pour optimisation coûts et performances. Nécessité de regrouper machines par affinités techniques tout en maintenant stabilité services critiques. Missions réalisées : - Collecte et extraction features techniques sur infrastructures 500+ serveurs - Développement algorithme clustering scalable avec machine learning - Analyse dépendances inter-machines et contraintes disponibilité services - Intégration fonctionnalité dans logiciel de migration cloud existant - Optimisation algorithme pour traitement volumes données importants - Validation solution sur infrastructures multi-datacenter enterprise Stack technique : Python, SQL, Pandas, Scikit-Learn, Keras, Machine Learning, Clustering, Deep Learning, Infrastructure Cloud, Migration Cloud