Sobour Sanni

Contexte : Mission au sein d’un acteur majeur du e-commerce dans un contexte de forte croissance et d’augmentation des volumes de données. Refonte de la plateforme data vers une architecture cloud hybride (GCP / AWS) afin de centraliser des données issues de multiples sources (site web, CRM, ERP, outils marketing et logistiques). Objectifs : améliorer la fiabilité des données, réduire les temps de traitement, optimiser les coûts cloud et permettre un pilotage métier en quasi temps réel. Missions réalisées : – Conception de pipelines de données sur GCP (BigQuery, Cloud Storage) et AWS (S3) pour l'ingestion de données (API, bases, fichiers), permettant de centraliser l'ensemble des flux critiques – Orchestration des workflows data avec Apache Airflow (DAGs), assurant la planification, la supervision et la fiabilité des traitements – Développement de traitements distribués avec PySpark, réduisant les temps de traitement de 40% – Modélisation et transformation des données avec DBT (staging → marts) avec tests intégrés, améliorant la qualité des données de 30% – Mise en place et optimisation des data warehouses (BigQuery, Snowflake), réduisant les coûts de 25% via partitionnement et optimisation – Rédaction et optimisation de requêtes SQL, améliorant les performances des dashboards de 50% – Mise en place de pipelines CI/CD et gestion du versioning avec Git, réduisant les incidents en production de 35% – Conception de modèles de données orientés métier, offrant une vision unifiée des indicateurs business – Création de dashboards avec Looker Studio et Power BI, réduisant le time-to-insight de plusieurs heures à quelques minutes – Mise en place de contrôles qualité et monitoring (Airflow, DBT), garantissant la fiabilité des données – Participation à la définition de l'architecture data (Data Lake S3 / GCS, Data Warehouse), assurant scalabilité et gouvernance – Collaboration avec les équipes dans un environnement Agile (Scrum) Environnement technique : GCP (BigQuery, Cloud Storage), AWS (S3), Snowflake, PySpark, DBT, Airflow, SQL, Python, Looker Studio, Power BI, CI/CD, Git, Agile (Scrum)

Contexte : Intervention au sein d’un groupe industriel international dans un contexte de transformation data visant à structurer et valoriser les données issues des systèmes de production, supply chain et finance. Mise en place d’une plateforme analytique sur le cloud (AWS) avec Snowflake afin de fiabiliser les indicateurs de performance industrielle et d’améliorer le pilotage opérationnel des sites. Missions réalisées : – Participation à la mise en place d'un data warehouse sur Snowflake hébergé sur AWS, permettant de centraliser les données industrielles et métiers – Développement de traitements de données avec PySpark sur Databricks, permettant de traiter des volumes importants et d'améliorer les performances de transformation – Développement de transformations avec DBT (modélisation en marts métiers), améliorant la cohérence et la traçabilité des indicateurs – Rédaction et optimisation de requêtes SQL pour l'analyse de données industrielles, réduisant les temps de restitution de 30% – Développement de scripts Python pour le traitement et l'enrichissement des données (nettoyage, agrégation, automatisation), renforçant la fiabilité des datasets – Utilisation ponctuelle de Dataiku pour la préparation de données et la mise en place de workflows analytiques – Conception et mise à disposition de dashboards avec Qlik et Power BI, permettant un suivi en temps réel des KPI industriels (production, qualité, supply chain) – Collaboration avec les équipes métiers pour cadrer les besoins, améliorant la pertinence des reportings et la prise de décision – Mise en place de contrôles qualité des données (validation, règles métiers), réduisant les écarts de reporting – Participation à l'industrialisation des flux data (Databricks, DBT) dans un environnement Agile (Scrum), améliorant la rapidité de livraison Environnement technique : Snowflake, DBT, AWS, Databricks, PySpark, Dataiku, SQL, Python, Qlik, Power BI, Agile (Scrum)

Contexte : Intervention au sein de la direction Data dans un contexte de modernisation des outils d’intégration et de structuration de la plateforme data. Migration progressive des flux existants vers des solutions plus flexibles afin d’améliorer la maintenabilité et les performances. Missions réalisées : – Participation à la mise en place d'un data warehouse sur Snowflake connecté à GCP, permettant de centraliser les données métiers et améliorer leur accessibilité – Participation à la migration des flux ETL de ODI vers Semarchy xDI, incluant la reprise des traitements existants, leur optimisation et leur industrialisation, permettant de réduire la complexité des flux et améliorer leur maintenabilité – Développement de flux d'intégration avec Semarchy xDI et ODI, garantissant la fiabilité et la traçabilité des données – Conception et optimisation de requêtes SQL (Snowflake, PostgreSQL), réduisant les temps d'exécution de 30% – Développement de scripts Python pour l'automatisation et le contrôle qualité des données, renforçant la fiabilité des pipelines – Mise en place d'infrastructures via Terraform, permettant une standardisation et un déploiement rapide des environnements – Modélisation de données et création de datasets analytiques pour les équipes métiers (finance, retail, marketing) – Conception de dashboards avec Power BI, facilitant le suivi des KPI et la prise de décision – Mise en place de contrôles qualité des données, réduisant les écarts entre systèmes sources – Collaboration avec les équipes métiers et participation aux rituels Agile Environnement technique : Snowflake, GCP, Semarchy xDI, ODI, PostgreSQL, Terraform, SQL, Python, Power BI, Agile