Data Analyst

Pilotage de la conception d'un écosystème analytique unifié sous Microsoft Fabric pour piloter la performance financière, RH et opérationnelle du groupe.

• Conception (architecture) et automatisation de pipelines ETL end-to-end intégrant des données multi-sources (ERP Odoo, CRM Zoho) via REST APIs.
• Optimisation du traitement de données massives en développant des Notebooks PySpark performants pour le nettoyage, la transformation et la couche Gold.
• Conception de solutions Power BI de suivi de charge et d'avancement optimisant l'allocation des ressources et la planification multisites.
• Collaboration avec les pôles Finance, RH et Opérations pour traduire des besoins métiers complexes en solutions analytiques actionnables.

Mission R&D d'automatisation de l'inspection routière par Deep Learning pour réduire les coûts d'audit terrain et fiabiliser la maintenance prédictive.

• Déploiement d'un moteur d'inférence Computer Vision (GPU) pour la détection et la segmentation automatique des dégradations routières.
• Implémentation d'une approche hybride combinant Deep Learning (U-Net, SAM) et photogrammétrie 3D pour une précision spatiale optimale.
• Réduction des interventions humaines en améliorant la fiabilité des mesures automatisées de pontage de fissures.
• Assurance du lien entre les besoins métiers (Ingénierie Civile) et les spécifications techniques du produit.

Conception d'une solution d'IA médicale pour le diagnostic précoce et le suivi clinique de la dysgraphie en stage R&D.

• Développement d'algorithmes de Machine Learning atteignant un haut niveau de précision dans la détection des troubles de l'écriture.
• Augmentation de la robustesse du modèle via des GANs (Generative Adversarial Networks) pour pallier le manque de données réelles.
• Valorisation des résultats par une publication scientifique, démontrant la pertinence clinique de l'approche auprès d'experts médicaux.

Projet PFE de modélisation prédictive de la complexité des projets IT pour optimiser l'allocation des ressources et la planification.

• Réalisation d'un Feature Engineering avancé (PCA, réduction de dimension) sur le dataset SEERA pour identifier les leviers de complexité.
• Comparaison et optimisation de plusieurs modèles supervisés, permettant d'améliorer de 25% la fiabilité des estimations de charge de travail.
• Livraison d'un rapport de recherche complet incluant une revue de littérature et des préconisations opérationnelles.