[nom]

[nom]

DATA ANALYST

CONTACT

[téléphone]

[e-mail]

Paris, France

linkedin/in/[nom]

COMPÉTENCES

Langages : Python, SQL, DAX, Java, Scala .

IA Générative & NLP : LLM, RAG, Prompt

Engineering, Mistral, Ollama.

BI & Visualisation : Power BI, Tableau, QlikView, Qlik Sense, Streamlit .

Data Engineering & ETL : Azure Data Factory, KNIME, Databricks, Ka a, FastAPI .

Orchestration & Cloud : n8n, Kubernetes, Docker.

Cloud Automatisation & Apps : Power Automate, Power Apps .

Bases de données : Oracle, PostgreSQL, NoSQL.

SAP : BW/4HANA, Datasphere, Analytics Cloud.

MLOps : scikit-learn, CI/CD GitHub.

Reporting & Analyse : Excel, Google Analytics.

Méthodologies : Agile (Scrum).

Outils : Jira, Trello, Notion.

LANGUES

Français : Courant

Anglais : Courant

Arabe : Langue maternelle

CENTRES D’INTÉRÊT

Engagement associatif : membre de l’association

IMYA (aide humanitaire et projets culturels, soutien aux victimes du séisme d’Al-Haouz).

RÉFERENCES

Zoe Lebourgeois

Digital Projects Senior Leader – Supply Chain

Coordonnées disponibles sur demande.

PROFIL

Data Analyst spécialisé en BI, Data Engineering et IA Générative, capable de transformer des données complexes en leviers de performance dans des environnements variés. Expérience confirmée dans la conception de pipelines de données, de solutions LLM et de tableaux de bord décisionnels pour accélérer la prise de décision stratégique.

Disponible immédiatement pour un poste en CDI/CDD.

FORMATION

Master Data & AI – HETIC

2023 - 2025 | Paris, France

Licence Sciences Mathématiques et Informatique – Université Hassan II

2019 - 2022 | Maroc

EXPÉRIENCES PROFESSIONNELLES

Data Analyst | Aptar Pharma - Alternance

Sept 2024 – Nov 2025 | Granville, France

• Gestion de projet :

Pilotage Agile/SCRUM de projets Data Engineering et BI en environnement Industrie 4.0 réglementé — ateliers fonctionnels, rédaction de cahiers des charges, coordination développement et mise en production.

• Data Engineering :

Conception de pipelines ETL/ELT (Azure Data Factory, Databricks, KNIME) pour centraliser les données (Keyence, SAP, SharePoint) dans un Data Warehouse structuré, avec optimisation des coûts cloud et gestion des accès sensibles.

• Business Intelligence :

Modélisation de systèmes décisionnels (Data Warehouse, Cubes SAP) et création de tableaux de bord prédictifs Power BI pour le pilotage en temps réel des KPIs industriels (OEE, qualité, production).

Projet : Optimisation de la Performance Industrielle

• Analyse des temps de cycle et ordres de fabrication (OF) via cube SAP/KNIME → -30% de temps de traitement.
• Détection automatisée des écarts machines/codes d'arrêt SAP → -15% de coûts non planifiés et +12% d'OEE.
• Optimisation des workflows KNIME → +25% de rapidité décisionnelle et +20% de visibilité sur les arrêts.

Projet : Digitalisation du Reporting Qualité

• Centralisation des données de mesure (Keyence, SAP, SharePoint) dans un Data Warehouse → +25% de fiabilité des données.
• Automatisation du pipeline de données complet via KNIME (extraction, data cleaning, transformation) → -35% de temps de reporting.
• Tableaux de bord prédictifs Power BI pour la détection des dérives qualité → +20% de réactivité et +30% d'efficacité du pilotage.

PROJET ACADÉMIQUE

Projet IA — Classification automatisée des réclamations clients via LLM

Juin 2025 – Nov 2025 | HETIC - Paris, France

Rôle : Data Scientist | Équipe de 5 profils

Contexte : Face à un volume massif de réclamations clients non traitées en temps réel sur Twitter, conception et livraison d'une solution intelligente d'automatisation du SAV pour un opérateur télécom - de l'analyse des données brutes jusqu'au déploiement d'un prototype fonctionnel opérationnel.

• Pipeline NLP complet : ingestion, nettoyage, anonymisation PII/RGPD et classification automatique des réclamations — sentiment, urgence, type d'incident — réduisant significativement les erreurs de routage manuel .
• Routage intelligent via prompt engineering et few-shot retrieval (MMR) : cas simples traités par chatbot RAG, incidents complexes escaladés vers un agent humain → réduction de la charge manuelle des agents .
• Benchmark comparatif de modèles LLM avec évaluation rigoureuse (Macro-F1, precision/recall par classe) → meilleure configuration retenue avec Macro-F1 : 0.903 .
• Dashboard décisionnel temps réel : 93,3% de réclamations détectées automatiquement, délai médian de réponse mesuré à 3 jours 20h, top incidents identifiés (réseau, fibre, mobile) .
• Architecture résiliente : mode dégradé LLM on-premise, circuit breaker, Dead Letter Queue et conformité RGPD garantissant la continuité de service.