Data Analyst & Analytics Engineer

Intégration dans une équipe data pour piloter la migration d'une solution BI Tableau vers Power BI avec architecture moderne (DBT/Snowflake) et fiabilisation des données sources en environnement Agile.

• Conception et déploiement d'un pipeline data end-to-end (DBT → Snowflake → Power BI) remplaçant l'architecture legacy.
• Résolution des rejets ERP (Dynamics/Business Central) par fiabilisation et standardisation des données sources.
• Maintenance corrective et analyse des logs de production sur Snowflake et PostgreSQL.
• Modélisation des données en schéma optimisé pour la restitution BI.

Intégration dans l'équipe BI (périmètre multi-clients) pour piloter les migrations de solutions BI legacy vers architectures modernes et explorer les usages de l'IA appliqués à la data.

• Conception de dashboards Power BI optimisés (DAX, KPIs métiers) réduisant le temps de chargement de 38%.
• Pilotage de la migration de 23 rapports SAP BO vers une architecture moderne, atteignant 100% de stabilité en production.
• Développement et déploiement d'un POC Text-to-SQL intégrant le modèle Llama 3 (8B) pour l'interrogation en langage naturel.
• Déploiement d'Apache Superset en environnement conteneurisé (Docker) comme alternative open source aux outils propriétaires.
• Automatisation de 12 heures par mois de traitements manuels via scripts Python ETL.
• Pilotage des sprints Agile (Scrum), coordination des équipes métier et documentation des spécifications techniques.

Intégration dans l'équipe data d'un groupe d'énergie majeur pour moderniser la chaîne de reporting et automatiser les flux de données.

• Développement d'un pipeline Power Query multi-fichiers, réduisant le temps de traitement de 45%.
• Conception et déploiement de 12 dashboards métiers (DAX, modèle sémantique) avec un score de satisfaction de 4,6/5.
• Automatisation des flux entrants via Power Query ETL, supprimant 39 heures par mois de saisie manuelle et réduisant le taux d'erreurs.
• Pilotage de la gouvernance des rapports : rafraîchissement, contrôle qualité et documentation centralisée.

Conception et industrialisation de l'infrastructure data d'une entreprise de services informatiques pour centraliser des sources hétérogènes et optimiser l'entrepôt de données.

• Développement de pipelines d'ingestion ETL/ELT en Python pour intégrer des sources de données disparates.
• Modélisation et optimisation d'un entrepôt PostgreSQL via indexation et partitionnement des tables.
• Automatisation des flux de données et conteneurisation des environnements avec Docker.
• Intégration de routines de nettoyage et contrôle qualité des données en amont du traitement.