Data Engineer / Analytics Engineer

Il a intégré l'équipe d'un SaaS de réservation beauté (~450 collaborateurs, 400 M+ de rendez-vous) afin de renforcer l'analytics engineering, la modélisation et la fiabilité des données.

• A réduit les coûts Athena grâce à l'audit des modèles dbt et à la mise en place du partition pruning, réduisant le volume scanné de 87 % sur la requête de référence (-1,36 Go par exécution), déployé sur 8 modèles puis étendu à d'autres tables.
• A amélioré la fiabilité des données en détectant et corrigeant un écart de 59 lignes sur 6 M introduit par l'optimisation (décalage de fuseau horaire, late-arriving facts), avec des contrôles de non-régression avant/après mise en production.
• A contribué à un datamart analytique en modélisant via dbt, factorisant une logique métier dupliquée dans plusieurs modèles et mettant en place des contrats et des tests dbt.
• A automatisé le traitement des demandes RGPD des clients via un pipeline Python exécuté par GitHub Actions (recherche des données via l'outil interne Data Customer Lookup), auparavant traitées à la main.
• A réalisé un rapprochement de données via un modèle dbt (Jinja) appariant la base établissements avec 6 plateformes concurrentes pour mesurer la couverture marché.
• A mis en place un monitoring anti-fraude avec un datamart de détection d'anomalies sur les versements Stripe (moyennes glissantes 7/12 jours, contrôle des soldes) et un tableau de bord d'alerte Amazon QuickSight.
• A géré les flux partenaires, le support data (N3), le suivi du connecteur Chift et des dépôts partenaires, les demandes escaladées ainsi que les requêtes SQL pour les équipes Sales, Ops et Marketing.

Il a réalisé un stage de recherche en IA appliquée à l'imagerie médicale portant sur la classification de radiographies pulmonaires.

• A classé des radiographies pulmonaires en 4 classes (COVID-19, opacité pulmonaire, pneumonie virale, normal) par transfer learning avec ResNet-18 sous PyTorch sur un dataset public Kaggle.
• A mis en œuvre un apprentissage fédéré en binôme, consistant en un entraînement sur deux nœuds puis une agrégation des modèles afin de préserver la confidentialité des données patients.
• A évalué les performances à l'aide d'une matrice de confusion.

Il a rejoint le leader français de l'équipement d'ophtalmologie d'occasion pour concevoir des outils de suivi et intervenir sur des équipements médicaux.

• A conçu un outil de suivi de parc (GMAO) comprenant la modélisation d'une base MySQL (équipements, interventions, historique) et des interfaces web dédiées, réduisant le temps de suivi d'environ 30 %.
• A géré les données d'inventaire en assurant l'enregistrement normalisé de chaque appareil entrant (marque, modèle, n° de série, état, accessoires) et l'édition des fiches de contrôle qualité en sortie.
• A garanti la confidentialité des données de santé en procédant à l'effacement des bases patients et praticiens des appareils avant revente.
• A diagnostiqué, réparé, installé et livré des équipements (OCT, lampes à fente, lasers) en France, en Belgique et aux Pays-Bas, tout en assurant la formation des médecins à leur utilisation.

Il a intégré l'Hôpital Saint-Antoine pour assurer la prise en charge et le suivi du parc d'équipements médicaux.

• A mis en service des équipements neufs au sein de l'hôpital.
• A piloté la maintenance préventive dans la GMAO Ansur.
• A apporté son conseil aux utilisateurs sur l'utilisation des équipements.