Othmane Wafi

Projet : Équipe LCLF – Lutte contre la fraude (contexte européen, SAFE Agile)

• Participation active à plusieurs projets au sein d'une équipe agile (SAFe) dans un contexte international (communications en anglais).

• Projet des paiements transfrontaliers pour la Commission Européenne en amont des JO 2024) :

• Mise en place d'un nouveau pipeline de bout en bout sur BigQuery pour agréger les données depuis différentes tables GCP existantes au sein du groupe BPCE. -Transformation et contrôle qualité des données (SQL, Python).

• Génération de fichiers XML et CSV normalisés pour transmission aux autorités.

• Orchestration et monitoring des pipelines avec Airflow (retraitement automatique en cas d'échec).

• Sécurisation & gouvernance des données : mise en place d'une gestion des permissions GCP automatisée avec Terraform, gestion des rôles et des accès sensibles.

• Optimisation des pipelines d'ingestion : réduction des temps de traitement de 30 % via partitionnement BigQuery, clustering et refactorisation SQL.

• Mise en place de reporting opérationnel : exposition des données sur Power BI pour permettre aux équipes métier d'analyser les indicateurs de fraude.

• Amélioration continue : contribution à la standardisation des templates Terraform, amélioration des bonnes pratiques CI/CD (GitLab/Jenkins).

• Support et maintenance : suivi des projets en production, correction des anomalies et intégration de nouvelles sources de données.

• Contexte transverse : interaction régulière avec d'autres équipes data du groupe (Finance, Risk, Compliance) pour aligner les pipelines et éviter les doublons.

Tech : GCP (BigQuery, Pub/Sub, Dataproc, Airflow), Jenkins, Python, SQL, Terraform, Git, Power BI Méthodologie : Agile SAFE (PI Planning, daily stand-up, sprint reviews)

• Participation active à plusieurs projets au sein d'une équipe agile en contexte international (communications en anglais, coordination avec équipes EMEA et Global) :

• CRM B2B / Luxe France : Conception et mise en place de flux de données automatisés depuis le Data Lake L'Oréal (zones Global et EMEA) pour alimenter les reporting CRM. Optimisation des performances de chargement et documentation technique pour les équipes métier.

• Consumer Market Insight Extrapolation : Préparation, nettoyage et transformation de données massives afin de permettre une étude comparative des parts de marché L'Oréal dans la grande distribution (face à Amazon, Sephora, etc.). Automatisation des workflows pour réduire le temps d'analyse de plusieurs jours à quelques heures.

• Projet Data interne (hors contexte client) : Mise en œuvre d'une zone de données confidentielle avec tables cryptées et gestion des accès sécurisés. Développement d'un pipeline de suivi et de monitoring des présences dans les bureaux L'Oréal (segmentation par fonction, métier, manager) en conformité avec les règles RGPD. Mise en place et amélioration de pipelines d'ingestion de données (batch et streaming) avec optimisation de la robustesse et des coûts.

• Conception et réalisation de pipelines ELT sous BigQuery, intégrant des transformations avancées (partitionnement, clustering, vues matérialisées).

• Maintenance et mise en production de projets existants et nouveaux, avec suivi des incidents, correctifs et monitoring automatisé.

Tech Tech : (BigQuery, Cloud Build), Python, SQL, Terraform, Git, BI Agile DevOps

• Identification et analyse des besoins métiers en collaboration avec les équipes produit et décisionnaires afin de définir les cas d'usage Data.

• Étude des services Azure Data (Data Lake, Data Factory, Synapse, Databricks, Delta Lake, Monitor) pour proposer l'architecture la plus adaptée.

• Conception et implémentation de l'architecture Big Data basée sur Azure, incluant la mise en place et la gestion du Data Lake.

• Design et développement de pipelines de données fiables et scalables, intégrant des flux batch et temps réel.

• Mise en œuvre de pipelines d'ingestion et transformation avec Spark (PySpark) et Azure Data Factory, garantissant la qualité, la gouvernance et la traçabilité des données.

• Stockage et organisation des données sur Delta Lake et SQL Server, avec exposition et visualisation via Power BI pour les métiers.

• Administration et gestion de clusters Spark (optimisation des coûts, configuration des ressources, monitoring).

• Ordonnancement et automatisation des jobs Spark (planification, relance automatique en cas d'échec, monitoring via Data Factory).

• Mise en place d'une chaîne CI/CD (Git, Azure DevOps) pour automatiser le déploiement des pipelines et des ressources Data.

• Observabilité et supervision : création de tableaux de bord Datadog pour monitorer l'activité et la santé des services Spark et Data Factory (alerting, KPIs de performance). Amélioration continue : documentation technique, partage de bonnes pratiques au sein de l'équipe, optimisation des coûts Azure. DataBricks