Steve ELANGA

Au sein du département Data Office du Groupe Société Générale, j'étais responsable de l'équipe Data (France) au service des Référentiels Groupe. -Mise en place du 1er Data Product ESG du Groupe en task force de 30 jours avec Bloomberg. -Analyse de données financières des clients pour la mise en place de stratégie marketing à destination des commerciaux: identification d'environ 100 opportunités business. -Matching d'identifiants d'entreprises entre Société Générale et les fournisseurs de données externes notamment Bloomberg et S&P (+1.5M d'entreprises réconciliées) afin de collecter des données à l'extérieur. -Automatisation d'extraction et de traitements de données clients corporate pour la mise en place de KPI nécessaires pour concevoir les nouveaux modèles de notation de risque de crédit: Optimisation du processus de 3 jours à 20 minutes. -Mise en place d'une pipeline de traitements de données avec pour cible des Dashboards pour analyser les données du référentiel clients corporate: détection de plus 200 anomalies mensuelles et remédiation.

Au sein d'un Datahub, nous assurons la collecte, le stockage et le traitement de données issues de plusieurs sources (bases oracle, fichiers csv dans un serveur partagé, API et Bucket S3). L'objectif est de créer des objets métiers (datasets et datamarts ) qui seront utilisés par d’autres équipes pour répondre à des problématiques métiers. Pour ce faire, nous nous appuyons sur une pipeline BIG DATA. Je contribuais sur 5 axes: Conception de la pipeline automatisée appelée Datahub As A service: -Mise en place d'un Feeder As A Service en Java pour le feeding des données (sources -> Répertoire Raw sur ADLS Gen2, cloud Azure) -Mise en place du Dataset As A Service pour la partie processing pour créer des datasets selon les modèles entreprises (jointures entre les tables de la Raw) avec une application Java qui exécute des Spark jobs sur Azure HDI et dépose les données dans le répertoire Lake sur ADLS Gen2 -Mise en place du Datamart As A Service pour la création des datamarts dans la couche App (base de données Postgres ) avec une application Java qui éxecute des Spark jobs sur Azure HDI. L'objectif est de faire des jointures des datasets (lake) pour créer des objets métiers qui seront appelés par API (Spring boot) à travers la base de données -Adaptation du feeder pour qu'il prenne en compte plusieurs sources (base oracle, bucket S3 et fichiers cvs dans un serveur) Ordonnancement de la pipeline avec Airflow: -Automatisation de la création des infrastructures (instances Cloud HDI, instances airflow, etc...) avec une CI/CD basée sur Ansible et Jenkins Monitoring des composants: -Mise en place de la stratégie de monitoring de la pipeline big data -Monitoring des API avec Grafana et Zipkin -Monitoring des applications FAAS, DAAS et MAAS (datarmat) avec ELK -Système d'alerting basé sur Kibana watcher et sur Alerta Conception et déploiement des API sur AKS Documentation: Rédaction de la documentation en Markdown des 3 composants de la pipeline

Conception d'un bot Symfony* (avec le framework Microsoft) en Python pour répondre au besoin des clients SGSS. Le but étant de réduire le plus possible l'intervention humaine requise en cas d'appels téléphoniques. - Compréhension de la requête avec spacy, nltk, gensim (NLP) - Interaction avec les API Symfony: Outil de communication au même titre que Skype Mise en place d'un outil de veille concurrentielle (Backend Python) : - Reprise d'un POC et état de l'art - Restructuration de l'architecture applicative - Scraping des articles - Stockage dans Elasticsearch - Traitement de textes avec Spacy (NLP) - Conception de modèles de recommandations d'articles (textes)

Mise en place d'une PaaS (Plateform as a Service) pour la résolution de problématiques de type Machine Learning supervisé : - Mise en place d'un Backend Django Restfull + Mongo DB - Conception d'un process automatisé pour la phase de préparation des données (cleaning, normalisation, preprocessing sklearn, etc...) - Entrainement de modèles Machine Learning (algorithmes prédéfnis) - Déploiement des modèles (Machine Learning) à travers des API

Faire évoluer une application android faites en Kotlin Mes missions : -Comprendre le projet et analyser son architecture -Faire l'état de l'art l'application -Ajouter des fonctionnalités

Au sein de la cellule "Innovation", j'étais chargé de developper un réseau social interne en full Javascript. Mes missions : -Conception de l'IHM -Conception du Frontend en Angular JS -Migration en Angular 6 -Conception du Backend en Node js Restfull (MEAN Stack) -Migration du Backend avec API GraphQL -Présentation de la technologie GraphQL à une conférence