Data Scientist

A intégré le Service Gestion des référentiels de Bank Al-Maghrib pour concevoir et déployer des solutions data critiques au service des activités monétaires et de supervision bancaire.

• A développé un système automatisé de calcul des indices des prix des actifs immobiliers (IPAI) à partir des données de l'ANCFCC, utilisant la méthode des ventes répétées (MVR).
• A implémenté un modèle de régression log-linéaire permettant de neutraliser l'hétérogénéité du parc immobilier et d'isoler la variation pure des prix.
• A mis en place un pipeline de traitement des données (nettoyage, détection des valeurs aberrantes, imputation des dates manquantes, exclusion des ventes partielles et donations).
• A déployé un modèle de régression Ridge pour pallier les problèmes de multicolinéarité entre les variables explicatives.
• A développé une interface Web interactive sous Streamlit permettant la visualisation des indices et statistiques par région, ville, type de bien et période.
• A conçu et développé un modèle de calcul des taux de rendement des bons du Trésor sur le marché secondaire, basé sur des formules de théorie financière et méthodes numériques (dichotomie, bissection).
• A automatisé le processus de calcul, contrôle et mise à jour quotidienne des taux de rendement via SAS Enterprise Guide.
• A mis en place des contrôles de cohérence et validations métiers pour assurer la fiabilité et qualité des taux produits.
• A réalisé du Web Scraping en Python (BeautifulSoup, Selenium) pour extraire et enrichir les données signalétiques des entreprises marocaines, améliorant plusieurs milliers d'enregistrements.
• A développé un chatbot IA basé sur une architecture RAG pour l'interaction avec documents et sites web, intégrant OCR, vectorisation et modèles LLM (GPT, Falcon-40B, LLaMA-65B).
• A déployé l'interface conversationnelle réduisant significativement le temps de recherche d'information pour les équipes.

A rejoint l'équipe data d'une banque de retail majeure pour développer des modèles prédictifs et des solutions analytiques transformant l'approche de la relation client et du portefeuille.

• A développé un modèle de machine learning pour prédire la probabilité de churn des clients bancaires, permettant d'identifier les facteurs de risque et d'orienter les actions de rétention ciblées.
• A collecté et préparé un dataset complet intégrant transactions, comportements produit, données démographiques et signaux de désengagement depuis Oracle et PostgreSQL.
• A conduit une ingénierie de features avancée (RFM, score d'engagement, tendances d'activité) et sélectionné les variables discriminantes via Gini, IV et corrélations.
• A benchmarké plusieurs algorithmes (Logistic Regression, Random Forest, XGBoost, réseaux de neurones) avec validation croisée et sélection sur AUC-ROC et rappel.
• A déployé le modèle en production intégré au système de ciblage marketing pour identifier les clients à risque de manière proactive.
• A mis à jour le portefeuille PME en intégrant plusieurs bases de données sans clés de jointure communes, utilisant des techniques de record linkage probabiliste et NLP.
• A développé un algorithme combinant similarité textuelle (TF-IDF, Levenshtein, Jaro-Winkler) et règles métier pour apparier les enregistrements avec un haut niveau de confiance.
• A automatisé le pipeline complet d'enrichissement (extraction, appariement, validation, mise à jour du référentiel) avec génération de rapports de qualité à chaque exécution.
• A conçu et développé des tableaux de bord interactifs pour la visualisation et le suivi des performances du marché du factoring, intégrant les indicateurs clés de performance.
• A développé les flux ETL sous ODI pour alimenter les tableaux de bord depuis les bases Oracle en garantissant la fraîcheur et la cohérence des données.
• A développé des rapports OBIEE interactifs avec filtres dynamiques par période, client et produit pour le suivi en self-service des portefeuilles.
• A automatisé la génération et distribution des reportings périodiques aux équipes de direction.
• A créé un modèle de machine learning pour segmenter les clients PME en fonction de leurs comportements commerciaux et financiers, améliorant la personnalisation des relations client.
• A développé un modèle de segmentation combinant K-Means et DBSCAN avec sélection du nombre optimal de clusters (méthode du coude, score de silhouette, validation métier).
• A développé un algorithme d'assignation automatique des nouveaux clients aux segments existants et caractérisation de chaque groupe par des profils détaillés.