Sayf CHAGTMI

• Architecture & Ingestion : Développement de datafetchers haute performance pour la centralisation et l'ingestion de flux de données massifs. • Optimisation Backend : Adaptation et optimisation de connecteurs (openSTEF-dbc) pour l'insertion performante en base de données à l'échelle industrielle. • Orchestration & Automatisation : Conception de pipelines Train & Forecast automatisés et mise en place du monitoring via Dagster et Grafana. • Exposition de Données : Design et déploiement d'API REST (FastAPI) pour la consommation des données de prévision en temps réel. Stack : Python, Dagster, PyArrow, FastAPI, Docker, InfluxDB, Dremio, MySQL, Git, Linux.

• Data Warehousing : Modélisation et mise en œuvre de datamarts et d'indicateurs métiers complexes au sein de l'entrepôt de données. • Industrialisation ETL : Automatisation des flux de données via ODI v12 et renforcement de la cohérence technico-fonctionnelle des traitements. • Data Governance : Mise en place de contrôles automatisés pour garantir la qualité de données, la cohérence et la traçabilité des flux. Stack : SQL Server, Oracle Data Integrator (ODI v12), SSMS, PowerBI, SSRS.

• Industrialisation : Développement de librairies Python propriétaires pour l'automatisation du Web Scraping et du traitement de données. • Cloud & DevOps : Déploiement de services conteneurisés sur infrastructure GCP et orchestration de pipelines ETL via Airflow. • Processing : Mise en œuvre de traitements distribués avec PySpark pour la préparation de datasets. Stack : GCP (BigQuery, Compute Engine), Python, Airflow, Docker, PySpark, Git.

• Big Data Engineering : Automatisation de flux de données massifs sur environnement Hadoop et Hive. • Software Craftsmanship : Développement de plugins Python et scripts SQL pour étendre les fonctionnalités de la plateforme Dataiku. • Scalabilité : Migration et optimisation de processus manuels vers des scénarios automatisés pour le reporting critique. Stack : Dataiku, GCP (BigQuery, Compute Engine), Python, Airflow, Docker, PySpark, Git.

• Data Quality : Développement de scripts automatisés (Python/R) pour le nettoyage et la validation de bases de données cliniques internationales. • Standardisation : Mise en conformité de flux de données complexes selon des standards de qualité rigoureux. • ETL : Extraction et structuration de données pour garantir l'intégrité des analyses de production. Stack : Python, R, SQL, Pandas, ETL.