↩ Parcours / EXPÉRIENCE

Global Data Analyst.Salariat

Période: Nov 2019 - Sep 2022
Entreprise: GOZEM ↗

Premier recrutement data : construit la fonction analytics de Gozem à partir de zéro : migration GCP/BigQuery, automatisation du monitoring, détection de schémas de fraude et segmentation marketing.

Piloté la migration cloud vers GCP, remplaçant les traitements batch legacy par un data warehouse BigQuery et des pipelines ETL planifiés.
Construit des pipelines de données automatisés pour les paiements d’incitations, réduisant un processus manuel de plusieurs jours à quelques minutes grâce à des données opérationnelles structurées et au monitoring en quasi temps réel.
Implémenté une base de schémas de fraude avec un monitoring automatisé quotidien du recouvrement, faisant remonter les anomalies le jour même et posant les fondations du futur filtrage anti-fraude par ML.
Fondé la fonction analytics engineering et fait croître une équipe distribuée de 4 personnes, livrant des tableaux de bord automatisés, du reporting KPI et des insights marchés hebdomadaires.
Affiné la segmentation marketing et l’analyse de cohortes via une base de profilage utilisateur, soutenant des campagnes ciblées et l’analyse de la rétention.

[•] PROJETS & CAS D'USAGE

8 ENTRÉES

Migration cloud vers GCP & data warehouse BigQuery

Résultat Migré des dizaines de téraoctets en un trimestre sans interruption ; le warehouse BigQuery et 50+ pipelines planifiés sont devenus la fondation analytique.

Problème / Besoin

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

Solution

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 des dizaines de téraoctets en un trimestre sans interruption.

Outils

GCP·BigQuery·Python·Cron·Requêtes BigQuery planifiées

Automatisation du monitoring opérationnel

Résultat Remplacé un job manuel de 2 jours par un cycle automatisé de 5 à 15 minutes pour les scénarios opérationnels.

Problème / Besoin

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.

Solution

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.

Outils

Python·PostgreSQL·Google Sheets

Automatisation des paiements d'incentives

Résultat Réduit un processus manuel de paiement de plusieurs jours à quelques minutes, avec logs structurés et traçabilité des litiges pour la finance et le support.

Problème / Besoin

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.

Solution

Construit des pipelines automatisés combinant données opérationnelles structurées 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.

Outils

BigQuery·Python·Airflow·Looker Studio

Base de schémas de fraude & monitoring quotidien

Résultat Fait remonter les anomalies de recouvrement le jour même et posé les fondations du futur filtrage anti-fraude par ML.

Problème / Besoin

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.

Solution

Implémenté une base de schémas de fraude alimentée par un monitoring automatisé quotidien du recouvrement, faisant remonter les anomalies le jour même et posant les fondations du futur dispositif ML de filtrage anti-fraude.

Outils

BigQuery·Python·Looker Studio

Segmentation marketing & analyse de cohortes

Résultat Donné au Marketing des profils riders et chauffeurs, des cohortes et des signaux de campagne structurés pour ses analyses ciblées.

Problème / Besoin

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.

Solution

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.

Outils

BigQuery·Python·Looker Studio

Ingestion des données produit et marketing

Résultat Centralisation dans BigQuery des événements produit, données d’expérimentation et performances publicitaires pour les décisions récurrentes des équipes Produit et Marketing.

Problème / Besoin

Les équipes Produit et Marketing ne disposaient pas d’un chemin analytique partagé couvrant les comportements dans l’application, les tests A/B, l’exécution des campagnes et les profils d’audience.

Solution

Construit des workflows d’ingestion depuis Firebase et Google Analytics, Google Ads et Facebook/Meta Ads vers BigQuery. Modélisé les données pour l’analytique produit, l’analyse des tests A/B, la performance des campagnes, le profilage utilisateur et les décisions de développement produit.

Outils

Firebase·Google Analytics·Google Ads·Facebook/Meta Ads·BigQuery

Analyse saisonnière de la rétention chauffeurs

Résultat Contribution à une amélioration d’environ 9 % de la rétention chauffeurs grâce à des décisions d’incentives tenant compte de la saisonnalité.

Problème / Besoin

La disponibilité et la rétention des chauffeurs variaient avec la saison agricole régionale, sans que la planification des incentives n’intègre le calendrier ni l’ampleur de cet effet.

Solution

Analysé l’activité des chauffeurs au regard du calendrier agricole régional, identifié le pattern saisonnier de rétention et traduit les résultats en recommandations d’incentives pour les Opérations.

Outils

BigQuery·Python·Analyse de cohortes·Google Sheets

Monitoring santé business & insights quotidiens

Résultat Consolidé 20+ KPIs dans un rapport quotidien utilisé par les country managers et le top management pour les décisions opérationnelles.

Problème / Besoin

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.

Solution

Construit des dashboards de santé business dans Google Sheets, avec transition vers Looker 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.

Outils

Google Sheets·Looker Studio·Tableau·BigQuery

← Parcours