Souleymane Fomba

Automatisation d’un pipeline décisionnel destiné au suivi d’indicateurs analytiques pour un réseau de 162 écoles d’ingénieurs. La mission visait à centraliser, transformer et exposer les données nécessaires au pilotage de 4 indicateurs stratégiques de suivi, chacun composé de plusieurs sous-catégories analytiques. Conception et développement de pipelines ETL/ELT pour la collecte, la transformation et l’exposition des données analytiques Développement et orchestration des workflows via Airflow Transformation et modélisation des données avec DBT Développement de traitements de données sur Google Cloud Platform Mise en place de flux d’ingestion vers Cloud Storage Structuration et chargement des données analytiques dans BigQuery Développement et optimisation de traitements Python / PySpark pour améliorer les performances et la scalabilité Structuration et fiabilisation des datasets décisionnels utilisés par les équipes métier Mise en place de règles de qualité des données et documentation des flux Participation au cadrage fonctionnel et à la validation des indicateurs métier Exposition des indicateurs via Power BI Résultats Centralisation et automatisation des flux de données analytiques Réduction des opérations manuelles liées à la consolidation des données Amélioration des performances et de la fiabilité des traitements Structuration de datasets analytiques exploitables pour le pilotage métier Environnement : Python, SQL, PySpark, ETL, Airflow, DBT, GCP (BigQuery, Cloud Storage, Dataproc), Power BI, Docker, Git, Agile Scrum

Intervention dans un contexte de refonte applicative autour d’une base de données centralisant plusieurs flux métiers. Analyse et optimisation d’un pipeline de traitement de données existant Identification des problématiques liées à l’intégration et à l’hétérogénéité des sources de données Structuration d’une architecture de traitement permettant de centraliser les règles de transformation et les logiques métier Mise en place d’une séparation claire entre ingestion, transformation et exposition des données Développement et optimisation de traitements de données en Python et SQL Construction et fiabilisation de datasets analytiques destinés aux équipes métier Amélioration de la maintenabilité, de la robustesse et de l’évolutivité des pipelines Collaboration avec les équipes métier dans un environnement Agile Résultats Réduction de la complexité liée aux flux multi-sources Amélioration de la cohérence et de la fiabilité des données Facilitation des évolutions et de l’intégration de nouvelles sources de données Environnement Python, SQL, PySpark, ETL, Power BI, Docker, Git, Agile

Projet : Mise en place d’un modèle économétrique de prévision de la demande en ciment (court et moyen terme) pour le département Marketing. Missions principales : Data Engineering & Big Data Conception et automatisation de pipelines d’ingestion, de transformation et de nettoyage des données (ventes, indicateurs économiques, etc.). Qualification, standardisation et documentation des jeux de données selon des critères de qualité, fréquence et structure. Automatisation complète du processus de mise à jour du modèle via des scripts Python et une planification des traitements. Data Analytics & Modélisation Développement et industrialisation d’un modèle économétrique de prévision fiable et évolutif. Mise en place de bonnes pratiques de gouvernance et de qualité des données pour garantir la fiabilité des indicateurs. Data Visualization Création d’un dashboard interactif pour le suivi des prévisions et la prise de décision stratégique. Résultat : amélioration significative de la précision des prévisions et optimisation du pilotage opérationnel.

Suivi de l’activité économique en réponse à la crise du covid 19 à l’aide des images satellites des lumières nocturnes : Le cas de Marrakech-Safi