Data Engineer / Data Analyst BI

Intégration de l'équipe MOAD (Maîtrise Ouvrage Analysis & Data) chez Enedis, un opérateur national de distribution d'électricité, pour piloter et optimiser les solutions décisionnelles et les reportings data du groupe.

• Conception et maintenance de tableaux de bord décisionnels complexes permettant le suivi d'activités, de budgets et d'indicateurs de performance clés pour les métiers.
• Rédaction et optimisation de requêtes SQL avancées sur la plateforme Denodo (virtualisation multi-sources) pour extraire, transformer et préparer les données destinées aux reportings Power BI.
• Structuration et modélisation des données (schémas dimensionnels, relations, hiérarchies) pour faciliter leur exploitation et améliorer la qualité et la fiabilité des reportings.
• Collecte et analyse des besoins des utilisateurs métiers afin de concevoir et proposer des solutions adaptées d'aide à la décision.
• Collaboration étroite avec les équipes métiers et techniques (téléconduite réseau) pour assurer la cohérence, la qualité et la disponibilité continue des données.
• Contribution active aux comités data opérationnels régionaux pour l'amélioration continue des outils et processus de reporting.

Développement et industrialisation d'un pipeline temps réel d'ingestion et de traitement de données pour une plateforme de prévision de production d'énergies renouvelables.

• Conception d'un pipeline ETL robuste automatisant l'extraction quotidienne de données financières via API, la transformation des données et le chargement en base de données relationnelle.
• Mise en place de l'orchestration automatisée des tâches de traitement via Airflow, garantissant la cohérence et la scalabilité du pipeline.
• Déploiement et maintenance de l'infrastructure de données sur des environnements cloud (AWS/GCP) avec conteneurisation Docker.

Conception et déploiement d'un système complet d'ingestion et d'analyse de flux de données temps réel de vélos en libre-service pour la région parisienne.

• Collecte et ingestion en temps réel des données de vélos en libre-service via une API publique avec un pipeline de streaming haute disponibilité.
• Mise en place d'une architecture data Lakehouse structurée en 3 couches (brute, enrichie, exploitable) pour optimiser les performances et la qualité des données.
• Orchestration de l'ensemble du pipeline via Airflow et Kafka, garantissant le traitement fiable et scalable des flux entrants.
• Construction d'une base de données ClickHouse pour le stockage performant et l'interrogation rapide des volumes importants de données horodatées.
• Développement d'analyses exploratoires et détection d'anomalies via scikit-learn pour identifier des patterns pertinents.
• Création d'un dashboard cartographique interactif déployé via Streamlit et Docker, permettant la visualisation temps réel de la disponibilité des vélos.
• Mise en place d'une pipeline d'intégration continue (CI/CD) via GitLab pour l'automatisation des tests et du déploiement.

Développement d'un système complet d'ingestion, de transformation et d'analyse de données de consommation énergétique et de prix de marché.

• Automatisation de l'ingestion de données de consommation électrique (relevés toutes les 30 minutes) via une API publique avec un planificateur de tâches robuste.
• Construction d'un entrepôt de données structuré et optimisé pour supporter les analyses décisionnelles.
• Implémentation d'algorithmes de machine learning (scikit-learn) pour la détection automatique d'anomalies dans les séries temporelles énergétiques.
• Enrichissement des données énergétiques avec des données météorologiques pour améliorer la qualité des analyses.
• Déploiement de l'application complète via Docker avec gestion de l'infrastructure et de la scalabilité.