Data Analyst

Il a contribué à l'analyse des performances d'un moteur RAG de recommandation au sein d'une équipe data innovante.

• A analysé les métriques de précision du moteur RAG, démontrant Precision@6 = 90,23 % et Precision@10 = 84,01 %, surpassant significativement la baseline embeddings (65-68 %).
• A structuré l'ensemble des données, évaluations, logs et résultats pour produire des indicateurs de qualité, traçabilité et fiabilité.
• A documenté les analyses, limites méthodologiques et métriques de comparaison de scénarios afin de faciliter la prise de décision et l'amélioration continue par les équipes métier.

Il a rejoint une équipe de recherche en mathématiques appliquées pour valider et analyser les performances de modèles statistiques et d'apprentissage sur des données scientifiques haute résolution.

• A manipulé et prétraité des données scientifiques haute résolution en environnement HPC.
• A réalisé des analyses statistiques avancées et validé les résultats expérimentaux par comparaison rigoureuse de distributions.
• A produit des analyses quantitatives avec Python, TensorFlow/Keras pour suivre les performances et comportements des modèles.
• A optimisé les exécutions sur l'infrastructure HPC Linux/Slurm pour garantir la fiabilité et la traçabilité des résultats.

Il a intégré l'équipe data d'un assureur marocain pour optimiser la détection de fraude et la qualité des données sinistres.

• A collecté, nettoyé et analysé des données sinistres multi-sources à l'aide de Python, PySpark et SQL.
• A comparé plusieurs algorithmes (Decision Trees, Naive Bayes, SVM, XGBoost) et obtenu 77 % d'accuracy avec un F1 proche de 0,75.
• A atteint une réduction d'environ 15 % des faux positifs à rappel constant, améliorant ainsi l'efficacité opérationnelle.
• A créé des jeux de données propres, des indicateurs de fraude et des synthèses analytiques pour appuyer les décisions métier et prioriser les contrôles.

Il a piloté la fonction data et reporting au sein d'une agence commerciale pour optimiser le pilotage opérationnel et la qualité des données.

• A centralisé, nettoyé et consolidé des données terrain issues de campagnes commerciales : ventes, présences, interactions clients, ruptures produit et incidents opérationnels.
• A automatisé des reportings Excel/Python/SQL pour assurer le suivi fiable et régulier des KPI opérationnels.
• A détecté des anomalies et écarts dans les données pour améliorer la qualité et la fiabilité des analyses.
• A appuyé le pilotage des campagnes commerciales par la mise à disposition d'indicateurs actionnables et de synthèses périodiques.