Barry Mohamed

• Animation d’ateliers de recueil des besoins : Analyser les besoins métier, écouter, comprendre, faire des hypothèses, fixer les objectif et mettre à disposition de Templates de recueille des besoins
• Data Engenneering (ETL & ELT & AWS) : Collecte de données depuis plusieurs sources (MySQL, API, Scraping), Construction des pipelines de données (Python, Docker, Dagster, S3, Glue, Redshift)
• Data Quality : Nettoyage, Transformation, Normalisation et agrégation des données en amont et en aval et mise en place d'une politique de Data Gouvernance
• Data Modeling (Draw.io & Redshift) : Conception et implémentation du Datalake et des Data Warehouse
• Data Visualization (Power BI) : Calculer et Intégrer les KPIs dans les tableaux de bord
• Déploiement et accompagnement : des équipes tout au long du cycle de vie des solutions déployées (interroger, structurer, sensibiliser, vulgariser, communiquer)

• Etude Etude comportementale et Clustering (ACP, kmeans et CAH) : Regrouper les inscrits en sous-groupes de sorte que : Les individus d'un même sous-groupe soit semblables et les individus de deux sous-groupes différents soit séparés pour aider les conseillers financiers à mieux analyser le profil d'investissement, les objectifs des inscrits dans le but de leur préparer un conseil d'investissement sur mesure adapter à leur profil.
• Analyse de cohorte, Persona et de tendance (Dashboard Power BI) : Conception de Dashboard sur Power BI pour permettre à l’équipe marketing de suivre l'évolution de leur persona : Analyse de tendance de flux d'inscrits (la génération de leads et leur qualité), analyse de cohortes, des persona avec filtre sur la période et l'origine (social media, parrainage, partenaires, code coupon), analyse des tendances de conversions (entonnoir de conversion) avec filtre sur le la période.
• Affectation d'un score d'appétence à tout inscrit ayant fini son parcourt client : Développer modèle pour affecter, à tout inscrit ayant fini son parcourt, un score d'appétence qui correspondra à sa propension à souscrire et industrialiser le modèle par les techniques du MLOps. Ce score permet de relancer les inscrits les plus appétent et ainsi optimiser un budget limité.
• Detection des churn (RamdomForest, XGBoost) : Développer et déployer un modèle qui permet de détecter les potentiels churn et expliquer pourquoi ils retirent leur investissement dans le but de mener des actions (mails pédagogiques, calls de suivi)
• Analyse prédictive de tendance (SARIMA & LSTM) : Développer un algorithme pour prédire le nombre d’inscrits, le nombre de conseils et le nombre de signature journalière, hebdomadaire et mensuel.

• Data Engineering: Modern Data Stack d’une avec Airbyte, DBT, Dagster et PostgreSQL, Python, Docker et RabbitMQ.