Cloud Azure Engineer

Participation à un projet de Data Lake dans un environnement Cloud Azure afin de structurer et valoriser les données sources.

• Organisation d'ateliers et cadrage des besoins avec les équipes fournisseuses de données sources.
• Mise en place de règles métier pour générer de nouvelles tables.
• Implémentation de contrôles de qualité des données.
• Développement de pipelines d'ingestion sur Azure Data Factory pour la mise à disposition des données stockées dans Azure Data Lake Storage.
• Mise en place du processus CI/CD pour Data Factory et DataBricks en utilisant Azure DevOps.
• Rédaction de la documentation et validation des processus avec les équipes métiers.
• Développement de rapports en utilisant Power BI.

Participation à un projet data dans un environnement Cloud Azure.

• Organisation d'ateliers avec les équipes métiers pour cadrer le besoin.
• Développement de pipelines d'ingestion de données sur Azure Data Factory dans l'environnement de développement.
• Test et validation des pipelines Azure Data Factory avec des échantillons de données stockées dans Azure Storage Data Lake et ajustement des pipelines si nécessaire.
• Déploiement des développements sur l'environnement de production en utilisant le processus CI/CD Azure DevOps.
• Travail sur des cas d'usage d'analyse de données avec Snowflake.
• Développement de notebooks Python sur Azure Databricks pour des cas d'usage en Data Science.

Contribution à un projet de migration de données vers un environnement Cloud Azure.

• Organisation d'ateliers et cadrage des besoins avec les équipes métiers.
• Participation à la définition des processus et protocoles à appliquer lors de la migration.
• Création des différentes ressources Azure via des templates ARM.
• Développement de pipelines d'ingestion sur Azure Data Factory pour la mise à disposition des données stockées dans Azure Data Lake Storage.
• Implémentation du processus CI/CD pour Data Factory et DataBricks en utilisant Azure DevOps.
• Rédaction de la documentation et assurance de la validation des processus avec les équipes métiers.
• Travail sur des cas d'usage d'analyse de données avec Snowflake.
• Développement et déploiement de cas d'usage en Data Science tels que le Churn et la détection d'anomalies avec Databricks.

Conduite de plusieurs projets d'ingestion de données, d'optimisation et de migration sur le Cloud Azure.

• Organisation d'ateliers avec les métiers (Finance, Marketing) pour définir le périmètre du projet.
• Explication du protocole actuel pour le lancement de projets data sur le Cloud Azure.
• Connexion de différentes sources de données comme SQL Server avec Azure Data Factory et Azure Data Lake Storage.
• Réalisation de l'ingestion des données demandées par le métier en effectuant les transformations appropriées avec Azure Data Factory.
• Résolution de tickets et demandes métier concernant notamment la gestion des accès et le changement de secrets dans KeyVault.
• Participation au projet d'optimisation du Leadtime en fiabilisant les délais de livraison sur des produits non gérés par Sonepar.
• Organisation d'ateliers avec les principaux fournisseurs pour analyser les facteurs impactant les délais.
• Collecte de l'historique des commandes pour confronter les délais théoriques aux délais réels et calculer de nouveaux délais fiables.
• Test des nouveaux délais sur un périmètre défini avec les métiers et validation des résultats.
• Réalisation de la migration de données vers le Cloud Azure et création de pipelines et flux de données via le service Synapse.

Analyse de la base de données d'un client dans le secteur du luxe pour comprendre le comportement d'achat des clients.

• Collecte de données client pour créer un Data Hub dans le cadre d'un projet de système de recommandation pour le secteur bancaire.
• Implémentation d'un modèle de Machine Learning pour cibler les meilleurs clients lors de campagnes marketing.
• Test et validation du modèle avec les équipes métiers.

Réalisation d'un stage axé sur un projet de détection de fraude pour Allianz.

• Collecte de l'historique des données de sinistres automobiles.
• Recherche et application de trois algorithmes connus de détection d'anomalies en Machine Learning (LOF, OCSVM, Isolation Tree).
• Test et validation des résultats avec les équipes métiers.