Ingénieur informatique spécialisé en Data Engineering

Intégration de l'équipe data de Michelin pour renforcer l'industrialisation des traitements de données dans un contexte industriel et international.

• Développement et industrialisation de pipelines ETL/ELT multi-sources sur Azure Databricks et PySpark pour la collecte, le traitement et la structuration des données.
• Mise en place de contrôles de qualité, de cohérence et de traçabilité afin de fiabiliser les flux de données.
• Assurance de la maintenance et de l'optimisation des traitements Data utilisés par les équipes Supply Chain et commerciales.
• Automatisation de tableaux de bord Power BI connectés à Databricks et Azure pour le suivi des KPI métiers.
• Réalisation d'analyses de données et développement de modèles de prévision à partir de données historiques et macroéconomiques.
• Collaboration avec des équipes métiers, Data et IT internationales pour traduire les besoins opérationnels en solutions techniques industrialisées.
• Documentation des traitements et contribution à l’amélioration continue des solutions Data.

Intervention chez BNP Cardif afin d'intervenir sur la structuration, la gouvernance et la qualité des données de référence.

• Conception et alimentation de tables de staging Oracle à partir de 17 sources de données, améliorant la fiabilité des traitements ETL.
• Mise en place de règles de qualité, cohérence et dédoublonnage via MDM Semarchy, permettant la génération de +10 millions de Golden Records.
• Automatisation d'extractions et de traitements récurrents avec SAS et PROC SQL.
• Contribution à la structuration, à la gouvernance et à la qualité des données de référence.

Participation chez Schneider Electric dans le cadre d’un projet Data industriel visant à exploiter des données IoT pour prédire la qualité de soudures. Préparation et structuration des données issues de capteurs IoT industriels en vue de leur exploitation analytique. Réalisation du feature engineering et de la sélection des variables pertinentes pour la modélisation. Entraînement et comparaison de plusieurs modèles de machine learning afin de prédire la qualité des soudures. Évaluation des performances des modèles et analyse des erreurs afin d’identifier les facteurs influençant la qualité. Collaboration au sein d’une équipe pluridisciplinaire de huit personnes et contribution aux choix techniques et méthodologiques du projet.