Data Analyst / Engineer

Intervention chez Tech Mahindra en tant que BI Data Analyst Engineer Cost sur les contrats d'hélicoptères lourds, de manœuvre, Tigre et VIP (Support Militaire France).

• A réalisé le data processing et data management via RStudio pour le support militaire.
• A effectué un requêtage approfondi sur les bases de données avec SQL.
• A centralisé des bases de données par retranscription sous Spotfire.
• A produit des reports KPIs mensuels sur les coûts à l'heure de vol des machines.
• A mis en place une visualisation de données complexes sous Spotfire pour l'aide à la prise de décision stratégique sur les performances des appareils.

Intervention chez STMicroelectronics Rousset SAS en tant que Data Scientist Junior pour concevoir des modèles analytiques et des outils de visualisation.

• A réalisé le traitement et l'analyse de données via l'outil R.
• A programmé et requêté des bases de données SQL.
• A développé et optimisé des algorithmes de Machine Learning (Random Forest, Réseau de Neurones Artificiels, Régression logistique) via Python.
• A élaboré des dashboards dynamiques de visualisation des résultats sous Spotfire.

Intervention en tant que Data Manager et Data Scientist au sein de l'ONG Enda Santé pour structurer la gestion des données de santé.

• A numérisé les données d'enquête en assurant la transition du format papier vers une version électronique structurée.
• A appliqué des modèles d'apprentissage automatique (réseaux de neurones artificiels) sur les données de santé.
• A développé un modèle prédictif de connaissance de la bilharziose urinaire chez les enfants de 9 à 14 ans.

CONTEXTE & PÉRIMÈTRE :

• Poste d'ECPF Data Analyst, au service des décisions métiers et de la création de valeur à partir de la donnée.
• Travail transverse avec les équipes métiers, produit et techniques.
• Intervention de la collecte de la donnée jusqu’à la mise en production des modèles et tableaux de bord.
• RESPONSABILITÉS & MISSIONS :
• Recueil, collecte et structuration des données issues de sources multiples.
• Conception et maintenance de pipelines de données (ETL/ELT) fiables et automatisés.
• Nettoyage, préparation et modélisation des données (qualité, feature engineering).
• Analyses exploratoires et statistiques pour répondre aux problématiques métiers.
• Conception de tableaux de bord et de KPIs (BI) à destination des décideurs.
• Développement, entraînement et évaluation de modèles de machine learning.
• Mise en production et industrialisation des modèles (MLOps, monitoring, ré-entraînement).
• Mise en place de la gouvernance, de la qualité et de la documentation des données.
• Restitution et vulgarisation des résultats auprès des parties prenantes.
• Veille technologique sur les méthodes et outils data/IA.
• RÉALISATIONS CLÉS :
• Tableaux de bord ayant accéléré et fiabilisé la prise de décision.
• Modèles prédictifs générant un gain mesurable (revenus, coûts, performance).
• Automatisation de reportings manuels (gain de temps significatif).
• Amélioration de la qualité et de l’accessibilité des données pour les équipes.
• Industrialisation d’un modèle de la preuve de concept à la production.
• SQL, Python (pandas, scikit-learn), outils de BI (Power BI, Tableau, Looker).
• Data warehouse (BigQuery, Snowflake), cloud, orchestration (Airflow), frameworks de machine learning.