Safa El Ayeb

– Conception et développement de solutions de data science pour l'analyse de données véhicules à grande échelle, visant l'étude et le suivi de la conformité des tests automobiles afin de valider la performance des véhicules, à partir de données capteurs issues de systèmes embarqués. – Analyse et exploitation de données véhicules massives issues de capteurs embarqués afin de suivre la conformité et la performance des tests automobiles. – Conception de pipelines de traitement et de préparation de données pour transformer des données brutes hétérogènes en données exploitables pour l'analyse et la modélisation. – Réalisation d'analyses exploratoires approfondies et de feature engineering pour caractériser les comportements des véhicules et les conditions de test. – Développement de méthodes de détection d'états, d'événements et d'anomalies à partir de signaux capteurs et de données temporelles. – Mise en oeuvre de modèles de machine learning (supervisés et non supervisés) pour automatiser l'analyse et améliorer la fiabilité des résultats. – Pilotage de projet et contribution à des projets allant du POC jusqu'à l'industrialisation, avec un focus sur la robustesse, la reproductibilité et la maintenabilité des solutions. – Déploiement et exploitation des solutions data sur un environnement cloud (GCP), avec stockage et requêtage des données via BigQuery / SQL. – Conception de dashboards utilisés par les équipes métier et ingénieurs pour le suivi opérationnel et l'aide à la décision. – Collaboration étroite avec les équipes data, ingénierie et métiers afin de traduire des problématiques industrielles complexes en solutions data concrètes.

– Conception et développement de solutions de data science appliquées à l'analyse de transactions financières à grande échelle, avec un focus sur la détection de comportements frauduleux et la sécurisation des services Orange Money, en s'appuyant sur des traitements distribués avec Spark, des bibliothèques d'analyse de graphes en Python (NetworkX, igraph) et des bases de données orientées graphes. – Analyse de données transactionnelles massives issues des services de mobile money afin d'identifier des schémas de fraude et comportements anormaux. – Modélisation du réseau de transactions sous forme de graphes complexes (multigraphes) pour représenter les interactions entre utilisateurs. – Développement et implémentation d'algorithmes de détection de communautés chevauchantes afin d'identifier des groupes d'utilisateurs fortement connectés et à risque. – Conception et comparaison de stratégies de réduction et transformation de graphes pour améliorer la performance, la lisibilité et l'exploitabilité des modèles. – Définition et implémentation de métriques d'évaluation avancées (intrinsèques et extrinsèques) pour mesurer la qualité, la stabilité et la pertinence business des résultats. – Intégration des résultats de modélisation dans des cas d'usage opérationnels liés à la sécurisation des transactions et à l'aide à la décision. – Collaboration avec des équipes R&D, sécurité et innovation pour traduire des problématiques métier complexes en solutions data exploitables. – Valorisation des travaux via publications scientifiques et dépôt de brevet, garantissant la robustesse et l'innovation des approches développées.

– Conception et développement de solutions de data science dédiées à la segmentation de marché et à l'analyse du comportement client, basées sur l'exploitation de séries temporelles et de données morphologiques, afin de mieux comprendre les dynamiques d'achat et des retours et soutenir la prise de décision marketing. – Analyse et exploitation de données clients hétérogènes (données morphologiques, historiques d'achats, séries temporelles) afin d'identifier des patterns de comportement d'achat. – Conception de pipelines de préparation et de nettoyage de données, incluant le traitement de séries temporelles intermittentes et le lissage des données. – Développement et comparaison de méthodes de segmentation clients (clustering, classification non supervisée) adaptées à des données temporelles complexes. – Mise en oeuvre de mesures d'évaluation de la qualité des segments (cohérence, stabilité, interprétabilité) pour garantir leur exploitabilité métier. – Analyse et interprétation des résultats de segmentation en collaboration avec les équipes métier afin de relier les segments aux profils clients et aux leviers marketing. – Développement d'un outil de segmentation permettant une exploration dynamique de l'évolution des segments dans le temps. – Contribution à l'amélioration de la compréhension client et au ciblage marketing, en fournissant des analyses actionnables aux équipes décisionnelles.

– Conception et développement de modèles de prévision des ventes afin d'anticiper la demande et d'accompagner la prise de décision stratégique, en s'appuyant sur l'analyse de séries temporelles et l'intégration de données externes multi-sources. – Analyse et exploitation de données historiques de ventes pour des produits de chauffage résidentiels, avec pour objectif l'anticipation de la demande. – Conception de pipelines de préparation de données intégrant des sources hétérogènes : données socio-démographiques, prix de l'énergie et données météorologiques. – Développement et comparaison de modèles de prévision des ventes basés sur des séries temporelles afin d'optimiser la précision des prévisions. – Évaluation des performances des modèles à l'aide de métriques adaptées au forecasting (erreur de prévision, stabilité, robustesse). – Sélection du modèle le plus performant pour soutenir les équipes métier dans la planification commerciale et la gestion des stocks. – Restitution des résultats sous forme d'analyses interprétables, facilitant l'aide à la décision pour les équipes business.