Data Scientist & Data Analyst

Business partner data des équipes commerce et category management sur le périmètre Intermarché & Netto : fiabilisation de la donnée et pilotage de la performance des magasins et des produits.

• Fiabilisation de la donnée décisionnelle : cartographie et comparaison de la qualité des sources d'information magasins et produits (PySpark/Databricks, Power BI), pour sécuriser les décisions commerciales en amont.
• Pilotage hebdomadaire, mensuel et annuel du CA et des volumes de ventes par magasin et produit (campagnes et promotions intégrées), avec détection proactive des décrochages (ex. chute de CA > 20 % sur une semaine, recul d'un produit sur une région).
• Alerting automatisé (Power Apps) diffusé dans les canaux des équipes, explicitant anomalies et causes identifiées — la détection d'écarts devient une action immédiate.
• Stack : PySpark, Databricks, Power BI, Power Apps, SQL, Excel

Business partner data des Product Managers supply chain sur l'assortiment produit : outils d'aide à la décision pour la sélection des gammes en magasin (~300 magasins dans le monde, 10 000+ références).

• Outil de sélection d'assortiment pour les Retail Suppliers et directeurs de magasin : recommandations de gammes auto-sélectionnées (validées ou refusées avec motif) et simulation d'impact - là où le choix se faisait auparavant manuellement, sans projection.
• Boucle de feedback active : chaque décision magasin est réinjectée dans les modèles de la Data Science, ajustant en continu les recommandations et contribuant à réduire les « flops » produits.
• Dashboards de suivi de la qualité des modèles DS (produits stars « hypertops », attribution des gammes) sous un angle produit et business, aidant la DS à détecter les dérives de scoring.
• Stack : Databricks, PySpark, SQL, dbt, Tableau, GitHub, AWS

Partenaire data du Group Product Manager de Onepay, l'orchestrateur de paiement mondial de Decathlon (~30 000 transactions/jour, paiements web du groupe et caisses magasin).

• Dashboards de pilotage de la performance des paiements (~31 PSP, 58 méthodes, périmètre mondial), en remplacement d'un suivi manuel fragile (extractions Excel, requêtes directes en production).
• Quantification de l'impact business de l'arbitrage des partenaires (taux d'acceptation, routage) : jusqu'à ~ 4 M€/an de CA estimé récupéré sur un seul marché pour +6 pts de taux d'acceptation.
• Détection proactive d'incidents à fort enjeu (ex. partenaire refusant les paniers > 2 500 € malgré des fonds disponibles) et analyse des disparités PSP par pays, éclairant le déploiement de Onepay V2.
• Stack : Databricks, PySpark, SQL, dbt, Tableau, GitHub, AWS

Animation du parcours de formation au titre TSSR (Technicien Supérieur Systèmes & Réseaux).

• Administration des systèmes Linux, introduction à Python
• Services cloud AWS, DevOps (Docker, GitLab CI/CD)

Data Scientist dans l'équipe Data d'Autobiz (cotation de véhicules d'occasion) : conception de modèles d'estimation de prix - B2C, prix de gros B2B et enchères — pour des constructeurs automobiles et des plateformes d'enchères, à partir de données d'annonces crawlées à l'échelle européenne.

• Modèle ML de prix de gros B2B pour un grand constructeur automobile (Volvo), déployé sur 5 pays : pipeline scikit-learn (KNN, gradient boosting) avec validation croisée et sélection automatique du modèle, restitué sur Tableau.
• Cote prédictive du prix d'adjudication en enchères B2B : modèle sur 10 ans (110 000+ véhicules, 8 algorithmes comparés), déployé via API — précision supérieure aux références du marché (Argus, cote B2C).
• Modèle de prix de cession B2B en production dans 5 pays européens (groupe PSA/Stellantis) : identification automatique des véhicules et valorisation par batch quotidien.
• Stack : Python, scikit-learn (KNN, Gradient Boosting), Neo4j, AWS (Textract, S3), Flask, Docker, Tableau, Grafana, GitLab CI/CD

• Clustering Python (NetworkX) et analyses de données
• Rapports personnalisés via Excel-VBA connecté à PostgreSQL
• Ciblage emailing, analyses sectorielles, requêtes SQL