Entrepreneur / Ingénieur Financier / Expert Data

Missions de conseil en data engineering et intelligence artificielle auprès d'institutions financières et startups de forte croissance, combinant expertise quantitative, développement Python et pilotage de projets complexes. Auprès de la Banque Africaine de Développement (portefeuille de 300 milliards euros) :

• Compréhension fine du besoin métier auprès des traders sur les produits financiers (obligations, money market, contrats à terme, swaps, crédit défaut swaps).
• Modernisation d'une librairie quantitative en développant des interfaces vers Bloomberg et Summit.
• Développement de modules d'analytics pour l'analyse des trades et des holdings.
• Conception d'outils de reporting pour la couverture de risque, les flux de trésorerie et l'attribution de performance.
• Migration de codes VBA vers Python, industrialisant les traitements quantitatifs.
• Agrégation de données via des API financières (Bloomberg, APIs propriétaires).
• Maîtrise d'ouvrage pour l'implémentation d'un ETL MSCI.
• Optimisation de modèles LLM pour l'analyse de sentiment appliquée à la gestion de portefeuille.
• Mise en place d'une suite de tests unitaires pour la validation des calculs.
• Auprès du Crédit Agricole (pilote de projet) :
• Compréhension et formalisation des besoins métier en matière de risque de liquidité et de crédit.
• Pilotage du projet en suivi des délais et budgets.
• Conception et implémentation d'un module de calcul des indicateurs de liquidité (DCC, LCR, NSFR) intégrant plusieurs scénarios et entités.
• Analyse exploratoire des sources de données et de leur qualité.
• Structuration d'un dictionnaire de données complet.
• Visualisation et analyse des données pour identifier les sources de risque.
• Optimisation de modèles LLM pour l'analyse de sentiment sur les données métier.
• Auprès de Wynd, startup Next 40 (levée de fonds supérieure à 110 millions euros) :
• Pilotage de projet en suivi régulier des délais et budgets.
• Structuration et cartographie de l'ensemble des données (encaissement, cycle de vie des commandes, stock omnicanal, picking logistique).
• Mise en place d'un cadre de mesure de la qualité des données et de dashboards de supervision.
• Traduction des besoins métier en spécifications techniques et tests d'acceptation.
• Développement et déploiement de modèles d'IA pour le pricing, la prévision des commandes et des annulations de rendez-vous.
• Conception d'un pipeline de segmentation client pour l'optimisation marketing.
• Implémentation d'une classification automatique des biens de consommation à partir de données multimodales (images, texte, données tabulaires).
• Orchestration de l'algorithme de picking et de substitution de produits en logistique.
• Industrialisation du cycle de vie des modèles via MLOps (tracking, data drift, CI/CD, conteneurisation Docker, exposition via API).
• Formation et animation :
• Formation en intelligence artificielle et Python en entreprise pour plusieurs organismes (Chambre des salariés Luxembourg, INFPC, Écoles IA Microsoft).
• Conception et animation de modules de formation en data, machine learning et deep learning auprès de grandes écoles (ESSEC, ESCP, EDC, ESG) et organismes spécialisés (Codataschool).
• Accompagnement de centaines d'apprenants en coaching individuel et collectif.
• Missions de conseil en data et IA (computer vision, NLP) pour Michelin, Braincube, Logiroad, Apside, Exaltis.

Encadrement d'une équipe de 5 data scientists et ingénieurs pour concevoir et déployer une solution d'optimisation des prévisions budgétaires via l'intelligence artificielle au sein de la direction de pilotage SI d'un client bancaire majeur.

• Pilotage global du projet POC en méthodologie agile.
• Formalisation et structuration des cas d'usage métier et de la méthodologie analytique d'amélioration des prévisions budgétaires.
• Encadrement de l'équipe au quotidien dans la compréhension des besoins métier et la délivrance des résultats.
• Suivi des délais et budgets du projet au niveau de la direction.
• Cartographie des sources de données et pilotage de l'identification des variables pertinentes.
• Collecte et nettoyage des données pour assurer leur qualité de traitement.
• Implémentation d'algorithmes de clustering sous R (k-means, classification ascendante hiérarchique, clustering par densité) pour segmenter les projets budgétaires.
• Développement de modèles de prédiction sous Python (Support Vector Machine) pour l'estimation des budgets par segment identifié.
• Orchestration de la vulgarisation de l'IA auprès de plus de 300 personnes en séance plénière pour favoriser l'adhésion du client.
• Création de supports de communication et de marketing direct pour valoriser la solution.
• Rédaction et présentation de la proposition commerciale finale adressée au client.

Plusieurs projets majeurs de data science et d'ingénierie financière auprès d'institutions internationales et d'assureurs, combinant modélisation de risque crédit, analyse de risque de marché et optimisation des processus financiers. Auprès de la Banque Mondiale (IFC) :

• Conception et déploiement d'un moteur de scoring crédit pour l'octroi de crédits aux entreprises intégrant le Z-score d'Altman et des techniques de machine learning.
• Collecte et structuration des données financières et comptables pertinentes (chiffres d'affaires, bénéfices, valorisation, capitalisation boursière, réserves, actifs).
• Développement des modèles prédictifs et validation sur des portefeuilles réels.
• Au sein du desk de gestion d'actif d'un grand assureur (UMR Nantes/Paris) :
• Pricing de produits financiers complexes.
• Analyse du risque de marché sur différentes classes d'actifs.
• Participation à la formulation des stratégies d'investissement directionnelles.
• Développement d'outils Excel/VBA pour optimiser les traitements des matrices transparisées de fonds.
• Cartographie et structuration des données de la Direction des Investissements.
• Amélioration de la qualité et de la traçabilité des données.
• Conception de dashboards de pilotage pour la supervision des positions.
• Pour le Crédit Mutuel Arkéa (détection de fraude) :
• Formalisation des cas d'usage de machine learning pour l'identification des profils frauduleux.
• Analyse du besoin métier et définition de la méthodologie analytique appropriée.
• Implémentation de modèles de clustering sous R pour la stratification des profils de risque.

Exercice en tant qu'ingénieur financier et consultant au sein d'une équipe de douze analystes, intervenant sur des thématiques critiques de gestion de risque de marché, pricing et conformité réglementaire.

• Revue et optimisation de l'Expected Shortfall dans le cadre du projet FRTB (Fundamental Review of The Trading Books) de Bâle III.
• Pricing de produits financiers complexes à partir de données de marché.
• Optimisation des scénarios de Value at Risk stressée pour améliorer la couverture des risques extrêmes.
• Analyse et backtesting de la VaR pour valider l'adéquation des modèles de risque.
• Suivi analytique des fonds structurés et analyse de leur risque de marché sous-jacent.
• Formation des collaborateurs de la direction aux méthodologies de scoring et de notation des risques.

Pilotage d'un projet stratégique d'analyse et d'optimisation d'un indicateur clé de risque de marché, combinant ingénierie de données et modélisation statistique sophistiquée.

• Définition du périmètre fonctionnel du projet et des spécifications techniques associées.
• Structuration du pilotage via diagramme GANTT et tableaux de bord de suivi.
• Sélection et audit des facteurs statistiques de risque pertinents pour l'indicateur Value at Risk stressée.
• Réalisation d'une étude complète des sensibilités pour identifier les périmètres métier les plus significatifs.
• Implémentation de modèles de data mining avancés sous R et VBA (ACP, AFD, clustering) pour structurer les facteurs de risque.
• Livraison d'une analyse détaillée des scénarios les plus défavorables pour l'indicateur, permettant une identification des pires cas (260 à 19).

Exercice en tant qu'analyste au sein d'une équipe de douze professionnels du front office, assurant le suivi quotidien des marchés, l'analyse économétrique et l'assistance aux décisions d'investissement stratégiques.

• Analyse et validation des différents spreads de marché via Bloomberg sur l'ensemble des indices et classes d'actifs.
• Rédaction quotidienne de notes d'analyse macro-économique synthétisant les indicateurs clés (ISM, CPI, données économiques calendaires).
• Suivi régulier des données de marché et des mouvements économiques impactant les stratégies d'allocation.
• Analyse des résultats de trading (P&L) et contribution à l'élaboration des stratégies directionnelles optimales.
• Cartographie des sous-jacents exposés et estimation de la valorisation des produits dérivés.
• Coordination avec les analystes quantitatifs pour affiner les modèles de valorisation.
• Collaboration avec les gestionnaires seniors pour l'allocation d'actifs et l'explication économétrique des rendements réalisés.
• Assistance décisionnelle régulière aux investisseurs sur les opportunités de marché.

Projet d'implémentation et d'audit d'un module de backtesting critique pour la Value at Risk, associant analyse fonctionnelle, ingénierie des données et modélisation statistique.

• Compréhension et formalisation des fonctionnalités métier requises en collaboration directe avec les utilisateurs (équipe de 10 analystes).
• Rédaction du cahier des charges technique et fonctionnel du module.
• Étude technique pour valider la faisabilité de l'implémentation.
• Conception et réalisation d'une maquette fonctionnelle pour validation préalable.
• Requêtage et nettoyage des données historiques de P&L et de risque nécessaires au backtesting.
• Implémentation de la suite statistique sous SAS, intégrant les tests économétriques (Jarque-Bera) et les algorithmes de rapprochement P&L/VaR.
• Validation de l'outil sur des scénarios réels et dossiers de test exhaustifs.
• Livraison d'une solution optimisant significativement le flux de travail de l'équipe informatique en automatisant les traitements critiques.