Younes El Omrani

– Préparation, recodification et nettoyage de features métier complexes pour les modèles de forecast (Python, PySpark, SQL) dans un environnement Databricks dans un environnement cloud AWS. – Conduite d'analyses exploratoires pour extraire des insights métier et améliorer la performance des modèles de prévision dans un contexte supply chain. – Conception et déploiement de dashboards Tableau pour exposer les résultats aux utilisateurs métiers et faciliter la prise de décision.

– Développement de modèles d'élasticité prix (produit/magasin) et recom- mandation de stratégies de repositionnement tarifaire basées sur les insights data. – Mise en place de dashboards et outils de reporting pour le suivi exhaus- tif du pricing concurrentiel et de la performance commerciale (Tableau, Looker Studio) intégrant des KPI d'alerting sur les anomalies de pricing – Utilisation avancée de Python, PySpark et SQL dans un environnement cloud GCP pour l'industrialisation des analyses et automatisation des processus.

– Elaboration et création de pipelines data pour l'équipe transport (Ra- dio/IP), en vue de la réalisation d'analyse pour le monitoring du réseau, alerter les congestions du réseau, établir un état de charge et prédire son évolution (+100 scripts PySpark journaliers) – Mise à disposition des dashboards métier pour le suivi du réseau sur Tableau et PowerBI – Automatisation du pipeline de traitement de données avec Airflow et dé- ployer ce pipeline en production avec Kubernetes – Application des modèles de prédiction avec Dataiku pour prédire l'évolution du trafic – Accompagner des équipes métiers dans le recueil et la rédaction des be- soins fonctionnels et de l'équipe des data analystes.

– BI: Mise à disposition des pipelines de traitement ETL pour remplissage des tableaux de bord pour les experts automobile sous Tableau restituant les KPI répondant à leurs besoins. – Machine Learning: Conception, développement et mise en production d'une solution de Text Mining pour le rapprochement des véhicules d'occasions à partir de la description au catalogue européen avec Python.

– Développement d'un algorithme en réseau de neurones de décodage du code châssis des véhicules (VIN) pour fournir la description technique du véhicule avec Python (reverse engineering) – Collecte, traitement et analyse de données TimeSeries log avec Spark, HadoopStreaming afin de simuler les séquences de visionnage Tv/VoD. – Élaboration et calcul des KPI de QoS avec PySpark/SQL et mise en place d'un workflow automatisé avec Oozie qui permet l'alimentation des tableaux de bord Granafa – Développement d'algorithmes de forcasting des séries temporelles en Python pour prédire l'évolution des données réseaux, des clients, et la congestion du CDN afin d'adapter l'évolution des offres TV UHD