Global Data Analyst.Salariat

L’infrastructure data tournait sur des batchs legacy qui ne suivaient plus les besoins opérationnels et analytiques croissants à travers les pays.

Piloté la migration cloud de l’ensemble de l’infrastructure data vers GCP, en concevant un data warehouse BigQuery avec 50+ pipelines ETL planifiés et en migrant plus de 10 To en un trimestre.

Le monitoring des opérations reposait sur un job manuel récurrent pour détecter des scénarios business à travers les marchés, prenant jusqu’à 2 jours de travail analyste par cycle et créant un décalage de détection.

Automatisé le workflow de monitoring opérationnel dans les 6 premiers mois du rôle. Des jobs Python interrogeant PostgreSQL ont fait remonter les ruptures d’offre, anomalies de comportement chauffeurs, patterns de courses frauduleuses et autres scénarios dans Google Sheets pour l’équipe opérations, remplaçant un job manuel de 2 jours par un cycle automatisé de 5-15 minutes.

Le processus de paiement des incentives agents et partenaires prenait plusieurs jours, avec des revues manuelles entraînant délais, erreurs, et une charge importante pour la finance.

Construit des pipelines automatisés combinant analytique prédictive et monitoring quasi temps réel. Réduit un processus manuel de plusieurs jours à quelques minutes, avec logs structurés et traçabilité des litiges pour la finance et le support.

Les défauts financiers liés à des schémas de fraude non détectés érodaient les marges, sans base centrale des schémas connus ni monitoring systématique du recouvrement quotidien.

Implémenté une base de schémas de fraude alimentée par un monitoring automatisé quotidien du recouvrement, faisant remonter les anomalies le jour même. Atteint zéro défaut financier inconnu sur la période et posé les fondations du futur dispositif ML de filtrage anti-fraude.

Les campagnes marketing étaient ciblées de manière trop large faute d’une couche de profilage utilisateur structurée, entraînant un faible engagement et des dépenses inefficaces.

Construit une base de profilage couvrant riders et chauffeurs, avec une segmentation RFM (récence, fréquence, montant) et une analyse de cohortes exploitée par le Marketing pour des campagnes ciblées. Traduit les comportements de cohorte en signaux opérationnels couvrant rétention, monétisation et ré-engagement, soutenant la rétention et la croissance des riders.

Les country managers et le top management n’avaient pas de vision quotidienne consolidée sur la santé business à travers les marchés, sans rythme KPI structuré ni livrable d’insights récurrent.

Construit des dashboards de santé business dans Google Sheets, avec transition vers Google Data Studio et Tableau après la migration BigQuery. Consolidé 20+ KPIs dans un rapport quotidien couvrant l’ensemble des domaines. Présenté des insights quotidiennement aux country managers et au top management, faisant remonter tendances et anomalies pour les décisions opérationnelles.