Florent Lefort

Projet 1 :

Création d’un Hub d’offres centralisé et d’un dashboard de pilotage pour suivre l'activité de diffusion des offres

Contexte :

Le département Offre et Marque Employeur doit disposer d’une vision unifiée, fiable et exploitable des offres d’emploi. L’objectif est de réduire le temps passé à croiser manuellement les données, d’accélérer l’accès aux indicateurs clés et de permettre aux équipes produit de piloter l’activité de diffusion des offres au quotidien.

Résultats :

- Mise à disposition d’un Hub d’offres centralisé, utilisé comme référentiel commun par les Product Managers, éliminant les requêtes SQL complexes et réduisant le temps consacré à l’extraction de données

- Pilotage quotidien de l'activité rendu possible grâce au dashboard automatisé permettant de détecter en temps réel les anomalies de diffusion et répondre aux questions métier récurrentes (volumétrie, attractivité des offres)

Stack technique :

HiveQL, Python (pandas, streamlit), Dataiku, Bash, Git/GitLab

Projet 2 :

Création d’un dashboard de suivi en temps réel de l’utilisation et de la consommation des modèles LLM

Contexte :

Avec la multiplication des cas d’usage IA générative au sein de France Travail, le département Agence Data Services doit maîtriser les coûts, anticiper les dérives de consommation et sécuriser le passage à l’échelle des modèles LLM. L’objectif est de détecter les usages anormaux et définir des garde-fous techniques pour prévenir les dépassements.

Résultats :

- Établissement de quotas par minute basés sur l’analyse statistique des distributions de consommation évitant les surconsommations et permettant une allocation budgétaire prévisionnelle par trimestre

- Dashboard de pilotage utilisé quotidiennement par les Product Managers pour suivre l’adoption des modèles LLM

Stack technique :

HiveQL, Qlik, Kubernetes (CronJob), Bash, Git/GitLab

Projet 1 :

Création d’un modèle de prédiction et d’explicabilité pour automatiser la validation ou le rejet des opérations bancaires

Contexte :

Les conseillers de BPCE doivent traiter quotidiennement des centaines d’opérations bancaires (virements importants, dépôt de chèques) en décidant manuellement de leur validation ou rejet. L’objectif est d’aider à prioriser et fiabiliser la prise de décision.

Résultats :

- Déploiement en production d’un système d’aide à la décision utilisé quotidiennement par les conseillers leur fournissant une recommandation instantanée (validation/rejet) pour chaque opération bancaire

- Monitoring continu du modèle via un dashboard avec système d’alertes automatiques permettant de détecter toute dérive de performance et garantissant la fiabilité dans le temps

Stack technique :

SQL, Python (pandas, scikit-learn, xgboost, mlflow, optuna, shap, dvc), GCP, BigQuery, Power BI, Teradata, Bash, Git/Bitbucket

Projet 2 :

Développement d’un modèle prédictif pour identifier les clients à risque de résiliation de produits assurantiels

Contexte :

La résiliation de produits assurantiels représente une perte directe de chiffre d’affaires pour BPCE. Les actions de rétention sont souvent déclenchées trop tard ou de manière trop large. L’objectif est de passer d’une posture réactive à une stratégie de prévention en identifiant les signaux faibles de départ des clients sur les produits d'assurance.

Résultats :

- Modèle prédictif déployé en production permettant d’identifier 3 mois à l’avance les clients à risque élevé de résiliation et donnant aux conseillers une fenêtre d’action suffisante pour intervenir

- Campagnes de rétention ciblées orchestrées sur la base des prédictions permettant aux conseillers de proposer proactivement des produits plus adaptés aux clients à risque et d’améliorer le taux de fidélisation

Stack technique :

SQL, Python (pyspark, scikit-learn, xgboost, mlflow, optuna, dvc), Teradata, Hadoop/HDFS, Bash, Git/Bitbucket

Projet :

Développement d’un modèle de matching pour identifier les meilleurs profils de consultants face aux appels d'offres

Contexte :

Les commerciaux de l’ESN Valeuriad passent un temps important à rechercher manuellement les profils adaptés aux appels d’offres avec un risque de passer à côté de compétences pertinentes. L’objectif est d’exploiter la richesse des dossiers de compétences pour accélérer le staffing avant-vente et identifier, lors des remplacements de mission, un collaborateur aux compétences similaires.

Résultats :

- Gain de temps majeur pour les commerciaux capables d'identifier le “Top 5” des experts pertinents en quelques secondes au lieu de plusieurs heures de recherche manuelle

- Cartographie visuelle 2D des compétences des +150 collaborateurs offrant aux commerciaux une vue instantanée des profils disponibles et facilitant l’identification de candidats de remplacement

Stack technique :

Python (pandas, spacy, sentence-transformers, scikit-learn, flask), Docker, Git/GitLab