William Ganesh MINKENG II

Les candidats et les écoles perdaient un temps précieux à gérer manuellement les candidatures, ce qui entraînait des retards et des erreurs dans le suivi. Il fallait une solution rapide, fiable et évolutive. Pour répondre à ce défi, CandiDash est né , une plateforme intelligente qui centralise les candidatures, fournit des analyses en temps réel et automatise les rappels grâce à la data et à l’IA. Pour construire rapidement un produit fonctionnel et robuste, j’ai utilisé un stack moderne : Front-end : React JS pour une interface réactive et fluide. Back-end : Node.js / Express pour gérer l’API et les traitements. Base de données : Supabase pour centraliser les candidatures et les utilisateurs. Automatisation et scraping : Playwright Headless pour analyser les offres d’emploi. CI/CD : GitHub Actions, Docker et déploiement cloud pour livrer rapidement et de manière fiable. IA & analyse : intégration de modèles pour audit de CV et matching intelligent. En quelques mois, j’ai lancé une version fonctionnelle, recruté 130+ testeurs, mis en place des partenariats avec écoles et réseaux professionnels, et livré des fonctionnalités clés : suivi intelligent, tableaux de bord personnalisés, audit de CV IA et espace réseau pour mentorat. Cette expérience illustre comment transformer une problématique urgente en solution concrète, avec une stack moderne et des choix techniques stratégiques, tout en générant un impact réel pour les utilisateurs et partenaires.

La gestion des flottes opérationnelles, des équipements et des infrastructures manquait de visibilité et d’efficacité, provoquant des retards et des coûts supplémentaires. Il fallait une solution rapide, fiable et évolutive. Pour répondre à ce défi, des sprints technico-commerciaux ont été menés afin de coordonner les équipes techniques et commerciales et d’optimiser les opérations. Des process maps, diagrammes UML et Value Stream Mapping (VSM) ont été conçus pour suivre en continu la performance et identifier rapidement les axes d’amélioration. Le développement d’une plateforme web et ERP avec TEEXMA a permis de centraliser les données et d’automatiser les processus. Pour construire un système robuste et fonctionnel : Front-end : HTML et JavaScript pour une interface utilisateur interactive Back-end : TEEXMA & SQL pour gérer la base de données et les flux opérationnels Analyses de données exportées et visualisées graphiquement pour suivre les KPI clés : consommation énergétique, coûts, dépenses et temps Gestion de projet : Gantt, planification financière, coordination d’ateliers, négociations et backlog pour garantir des ajustements stratégiques rapides En quelques mois, la plateforme a permis d’améliorer la visibilité, d’optimiser les performances des flottes et de réduire les délais opérationnels. Cette expérience illustre comment transformer un défi opérationnel complexe en solution concrète, en combinant méthodes agiles, stack technique adaptée et analyses de données pour générer un impact réel.

Face à des étudiants en difficulté ou souhaitant se perfectionner, j’accompagne des élèves du collège au lycée en mathématiques, physique et chimie, en adaptant les méthodes pédagogiques à leurs besoins et rythmes. En parallèle, des cours de portugais pour débutants sont proposés, combinant bases linguistiques et exercices pratiques pour favoriser l’apprentissage rapide et concret. Cette approche personnalisée permet aux élèves de gagner en confiance, progresser durablement et atteindre leurs objectifs scolaires et linguistiques.

l’infrastructure IT d’Airbus manquait de visibilité et de suivi détaillé, rendant difficile la gestion des départements et des domaines, ainsi que l’identification des ressources sous-utilisées ou surconsommées. Il fallait une solution capable de donner une vision claire et exploitable rapidement. Pour répondre à ce défi, une application de visualisation de l’infrastructure IT a été déployée, segmentée par département et domaine, afin d’améliorer le monitoring et la gestion opérationnelle. Des analyses de données approfondies ont permis de détecter les anomalies et d’identifier les ressources inefficacement utilisées, augmentant l’efficacité opérationnelle. La plateforme intègre plusieurs technologies et méthodes avancées : Splunk pour l’évaluation financière et environnementale de l’infrastructure Techniques de Machine Learning pour classifier les données selon consommation et usage Analyses granulaires par département, pays et entité pour optimiser coûts et empreinte carbone Visualisation des données et rapports stratégiques pour soutenir la prise de décision Grâce à ces actions, des recommandations stratégiques ont été mises en œuvre pour réduire les coûts et l’empreinte carbone, améliorer l’allocation des ressources et développer des stratégies d’optimisation concrètes pour la plateforme.