Profil

Je conçois et déploie des solutions data de bout en bout, de l'ingestion à l'exploitation métier, avec un fort accent sur la fiabilité, l'automatisation et l'impact opérationnel.

Diplômé d'un Master en Mathématiques Appliquées & Statistiques (parcours Data Science) et actuellement en Master Compétences Complémentaires en Informatique, je développe un profil à l'interface entre data engineering et développement logiciel.

Mon approche est orientée livrables concrets : pipelines fiables, ingestion et transformation multi-sources, contrôle qualité, automatisation des traitements et restitution via indicateurs et tableaux de bord.

Je privilégie la robustesse des flux, la traçabilité des données et des solutions réellement utiles pour les équipes métiers.

Pipelines data de bout en bout : ingestion, transformation et fiabilisation des données (ETL/ELT).
IoT & time-series : suivi opérationnel, KPI et monitoring pour le pilotage.
Automatisation des traitements et du reporting pour réduire les tâches récurrentes et améliorer la qualité.

Voir quelques projets Visualiser mon CV (PDF) Me contacter

GitHub • LinkedIn

Ce que je fais

Une approche orientée résultats : données fiables, automatisation et livrables exploitables.

Data Engineering

Collecte, nettoyage, transformation (ETL/ELT), orchestration de pipelines et modélisation pour délivrer des données prêtes pour l'analyse et la BI.

Machine Learning

Exploration, détection d'anomalies, modèles de prévision / classification, évaluation et indicateurs.

Dev & Automatisation

Développement d'applications et d'outils internes, automatisation de workflows et intégrations pour accélérer les processus métiers.

Produit & Collaboration

Cadrage du besoin, priorisation, qualité des données et communication avec les équipes métiers.

Services

Ce que je peux apporter à une équipe

Fiabiliser les données, automatiser les processus et livrer des indicateurs exploitables.

1) Industrialisation des pipelines data

Mettre en place des flux fiables de bout en bout : ingestion multi-sources, transformations (ETL/ELT), contrôles qualité et traçabilité pour des données prêtes à l'usage.

Structuration et normalisation des données
Fiabilisation : validations, erreurs, logs
Automatisation : jobs récurrents, déploiement

2) Analyse & modèles utiles au métier

Transformer les données en informations actionnables : exploration, détection d'anomalies, prévisions, modèles de classification, avec des métriques claires et une restitution compréhensible.

Feature engineering et évaluation (RMSE, R², etc.)
Modèles robustes (baseline → amélioration)
Restitution : insights + limites + recommandations

3) Outils internes & automatisation

Développer des fonctionnalités qui font gagner du temps : scripts, dashboards, pages web, intégrations et workflows pour réduire le “manuel” et améliorer l'expérience des équipes.

Dashboards KPI & suivi opérationnel
Automatisation de reporting et de traitements
Dév web : interfaces simples, propres, maintenables

Discutons d'un besoin Voir mon CV (PDF)

Quelques projets

Une sélection de certaines de mes réalisations.

Voir plus de projets

Analyse & prédiction du prix du gaz sur Ethereum (TER)

Collecte et intégration via APIs REST (Infura, Etherscan) + Google BigQuery.
Orchestration de flux batch avec Azure Data Factory pour fiabiliser les datasets.
Analyse et détection d'anomalies lors des périodes de congestion.
Modèles de ML pour prédire les variations du prix du gaz (quasi temps réel).

Stack

Python, Pandas, NumPy, scikit-learn, Azure Data Factory, BigQuery, APIs REST

Conception d'une base de données — agence de voyage

Modélisation conceptuelle & logique (clients, réservations, voyages, prestations).
Implémentation relationnelle et requêtes SQL (insertion, consultation, analyse).
Application des principes d'intégrité et de normalisation.

Stack

SQL, JMerise

Stage Data Scientist - Data Engineer — photovoltaïque & IoT

ETL/ELT IoT (PV, batteries, réseau, groupes électrogènes) et structuration des données.
KPIs & dashboards temps réel pour le suivi production/consommation/état équipements.
Automatisation des rapports (-70% temps de reporting) pour la décision opérationnelle.
Intégration de modèles ML dans un LLM interne (Spocky) pour diagnostic & maintenance prédictive.

Stack

Warp10, WarpScript, Discovery, Python, SQL, Git/GitHub