Slayde Ledoux

CONTEXTE : Accompagner le pôle Data à réaliser des ciblages des campagnes, des segmentations clients et des reportings

INTERLOCUTEURS : Responsables IT et Reporting.

RÔLE : Data Scientist

Modéliser, analyser et traiter les données

Harmonisation des requêtes SQL développées par les Data Analysts et mise en place des bonnes pratiques d’usage des données et de la plateforme Analytique

Conception et maintien des modèles de données à destination des Data Analysts sur lesquels vont s'appuyer les systèmes BI (dwh, datamarts) ou les algos de ML (datasets spécifiques)

Mise en place des indicateurs et processus de suivi de la qualité de la base de données et des enrichissements d’indicateurs métiers pertinents pour le développement de la valeur client

Maintien de la documentation et des définitions des modèles de données accessibles à tous dans notre catalogue de données

Monitorer des projets et automatiser les analyses avec python API vers teams

ENVIRONNEMENT TECHNIQUE : R, Python, SQL, Dataiku.

Projets de recherche au sein de la direction des investissements permettra de démontrer la faisabilité d'une solution de Machine Learning, visant à améliorer continuellement la qualité des données titres financiers.

- Explorer et s'approprier les données mixtes dans le but de réaliser une classification non supervisée ( Combinaison du Kmeans et CAH).

- Prédire la classification réglementaire d'un titre financier au moment de l'enrichissement de donnée et le modèle permettra aussi de détecter des mauvaises classifications.

- Mise en place de différents modèles de Machine Learning (XgBoost, Random Forest et Adaboost.

- Présentation des analyses et des résultats. Nécessite une forte capacité de synthétisation et de vulgarisation de travaux techniques alliée à une grande aisance à l'oral devant ses pairs. Technologies utilisées : Dataiku, R, Python, Scikit-Learn

Référant Data autour de l'environnement R :

Pilote d'un projet ayant pour but de mettre en place des outils décisionnels autours du langage R, afin d'aider au mieux les équipes métiers.

-Cibler les problèmes de compatibilités de packages R

-Mettre en place des protocoles pour la mise en place de projets R

-Aider à la correction de bugs.