Ugo Bourel

Mentorat d'étudiants sur le parcours Data Engineer (diplôme niveau bac+5). Accompagnement hebdomadaire sur 14 projets professionnalisants : pipelines ETL, bases de données SQL et NoSQL (MongoDB), modélisation cloud, orchestration des flux (Airflow), systèmes RAG avec LangChain. Revue de code Python, validation de projets et transmission des bonnes pratiques (architecture de données, qualité de code, documentation technique).

Orchestration et Détection d'anomalies : Pilotage complet d'un projet d'analyse des anomalies (collecte des données via API, orchestration avec Apache Airflow, visualisation sur Power BI). Automatisation et Performance : Mise en place de pipelines et de workflows (Apache Airflow), réduisant sensiblement les tâches manuelles et améliorant la fiabilité des données. Dashboards et Reporting : Création de tableaux de bord dynamiques pour la direction, offrant une visibilité quasi instantanée et facilitant la prise de décisions. Data Warehousing : Conception de Data Warehouses (méthodologie DataVault) et développement de Data Marts pour divers domaines métiers (marketing, cinémas, finance). Azure et Big Data : Participation à l'implémentation de solutions sur Azure Databricks, intégration d'outils innovants pour optimiser l'analyse des données. Impact : Amélioration de la qualité des données, réduction des erreurs et gain de temps global dans les processus de pilotage d'activité.

Architecture et Stockage : Conception et structuration d'architectures de bases de données pérennes, facilitant la gestion et l'exploitation des données. Visualisation et Reporting : Création de dashboards interactifs (Power BI) offrant une vision consolidée et accélérant la prise de décision. Applications et Collaboration : Développement d'une application de gestion du personnel (Power Apps) pour optimiser la productivité des équipes. R&D et Projets Avancés : Réalisation de POC (proof of concept) autour d'algorithmes Python (ex. prédiction de vibrations), et restitution adaptée à des publics variés. CI/CD et Qualité du Code : Utilisation de GitHub pour corriger, versionner et assurer la qualité du code Python, rédaction de cahiers des charges pour clarifier les objectifs. Conseil et Conduite du Changement : Accompagnement des parties prenantes dans l'adoption de solutions data (architecture, bonnes pratiques) et sensibilisation à la culture DataOps.