↩ Parcours / EXPÉRIENCE

Data Director.Salariat

Période: Avr 2025 - Juil 2026
Entreprise: GOZEM ↗
Lien: Gozem Data Hub ↗

Direction de l'ingénierie de la plateforme data et des produits data internes (le Data Hub et 30+ outils d'automatisation) et co-pilotage de la stratégie IA sur le périmètre du groupe : cinq pays africains d'opération avec Singapour comme siège.

Architecturé et déployé le Gozem Data Hub, plateforme centralisée servant plus de 650 personnes (employés internes, agents terrain et partenaires externes) avec de l’analytique en libre-service, des produits data et automatisation, et des applications data-driven pour les opérations et la prise de décision business.
Construit des applications métier et opérationnelles (inspection chauffeurs, extraction de factures, suivi de performance des agents d’acquisition externes, éditeur de dashboards personnalisés, et d’autres) utilisées au quotidien à travers les opérations Gozem.
Construit G-Force, une application web pensée pour le mobile permettant aux agents d’acquisition externes de consulter leurs soumissions, statuts de validation, motifs de rejet et paiements, avec une synchronisation environ deux fois par jour.
Co-défini la stratégie IA de Gozem et livré 30+ outils d’IA et d’automatisation en production couvrant alertes anti-fraude, extraction de données et monitoring marché ; introduit des workflows d’ingénierie assistée par IA auprès du leadership et de l’équipe produit.
Mis en place l’observabilité sur 250+ pipelines (Dataform, Airflow, cron jobs) avec des contrôles automatisés de qualité des données, des alertes de divergence détectant données incomplètes et doublons, du suivi de performance sur événements exceptionnels, et un MCP d’exploration de données.

[•] PROJETS & CAS D'USAGE

8 ENTRÉES

Base de connaissances Stratégie IA Gozem

Résultat 49 cas d’usage validés ; 6 en implémentation, avec une adoption quasi complète de l’assistance IA quotidienne par le top management.

Problème / Besoin

Gozem avait besoin d’une stratégie IA cohérente couvrant opérations, logistique, gestion chauffeurs, e-commerce, financement véhicules, expérience client et fintech, adossée à une vue structurée du paysage des fournisseurs IA et de l’outillage.

Solution

Documenté les besoins IA internes auprès de 9 business units (Transport, Ecommerce, Financing, Finance, Data, Product, Marketing, Operations, Sales) avec plus de 50 parties prenantes contributrices. Mené un scan de marché structuré couvrant 133 outils et fournisseurs sur 38 catégories : fournisseurs IA, fournisseurs de modèles fondation et plateformes d’automatisation pertinents pour la stack Gozem. Catalogué 49 cas d’usage validés. Construit un cadre d’adoption autour des 6 passés en implémentation : création de contenu et assistance quotidienne (adoption quasi totale par le top management), coding et revue de code (déploiement en cours avec l’équipe produit), classifieur et autres (en usage dans l’équipe data). Chaque cas d’usage est livré avec son architecture de workflow agentique.

Outils

Collecte et analyse de données·Entretiens parties prenantes internes·Scraping de données marché·Profilage d'outils LLM·Documentation de cadre stratégique

Gozem Data Hub : Espace data & IA central

Résultat Architecturé et construit la plateforme, en codant personnellement 17 de ses 19 microservices initiaux ; l’espace gouverné servait 650+ employés, agents terrain et partenaires dans 5 pays.

Problème / Besoin

Les équipes business et opérationnelles, ainsi que certains partenaires externes à travers les pays Gozem, n’avaient pas d’espace de travail unifié pour les applications data et IA permettant une itération rapide.

Solution

Architecturé et construit le Data Hub, en codant personnellement 17 de ses 19 microservices initiaux. Deux ingénieurs ont chacun codé un service ; j’en ai déployé un et révisé puis corrigé l’autre avant son déploiement. Conçu les schémas de base de données, les modèles de persistance, l’authentification centralisée, le routage et les contrôles d’accès ciblés. Au-delà des microservices initiaux, documenté l’architecture partagée et le processus de contribution, puis utilisé le débogage en direct pour accompagner des ingénieurs sur l’intégration service/frontend, la CI/CD et la revue de code. La plateforme supportait des applications data-driven, workflows opérationnels, automatisations, explorations data et analyses en libre-service pour les équipes du Bénin, Togo, Gabon, Cameroun et Congo.

Outils

React·FastAPI·Nginx·MongoDB·Redis·BigQuery·Google Cloud Storage·NATS·Docker Compose·Artifact Registry·Utilitaires Python partagés

Pipelines data au service des applications

Résultat Livraison de datasets prêts pour les applications internes, services opérationnels et microservices, au-delà des seuls usages BI.

Problème / Besoin

Les outils opérationnels exigeaient des données gouvernées et prêtes pour les applications, provenant de systèmes aux modes de stockage différents, et non de simples extractions pour dashboards.

Solution

Conçu des pipelines orchestrés par Airflow à partir de MongoDB, BigQuery, Google Cloud Storage et Google Sheets. Modélisé les schémas de base de données et les couches de persistance pour les services data-intensive, y compris les données générées par l’utilisation des applications et les workflows opérationnels.

Outils

Apache Airflow·MongoDB·BigQuery·Google Cloud Storage·Google Sheets·Modélisation de données

Contrôles de livraison et de fiabilité de la plateforme

Résultat Mise en place d’une livraison de services reproductible avec suivi de santé, exécution de jobs récupérable, contrôles de sécurité, promotion progressive des images et retour aux images précédentes.

Problème / Besoin

Une plateforme opérationnelle multi-services avait besoin de contrôles cohérents de release et d’exécution, sans surestimer la couverture de tests ni la maturité de reprise après sinistre.

Solution

Implémenté les health checks des services, les contrôles de dépendance et de redémarrage, les logs d’exécution, les retries configurables et la récupération des exécutions bloquées. Établi une CI/CD GitLab avec linting, suites pytest ciblées, scans de sécurité et de conteneurs, builds d’images multi-architecture, publication dans Artifact Registry, promotion par étapes et rollback vers des images déjà publiées.

Outils

GitLab CI/CD·Docker·Artifact Registry·Pytest·Trivy·Prometheus

Reporting KPI gouverné & MCP data warehouse

Résultat Les utilisateurs métier ont obtenu un chemin partagé vers des rapports KPI construits à partir de définitions de métriques documentées et de requêtes canoniques du warehouse.

Problème / Besoin

Les utilisateurs métier et les workflows assistés par IA avaient besoin de définitions KPI, tables sources, logiques de transformation et chemins de requête cohérents dans le warehouse.

Solution

Documenté les métriques validées avec leurs tables sources, leur logique de transformation et leurs requêtes canoniques ; exposé le data warehouse via un serveur MCP et des vues BigQuery/Dataform réutilisables consommées dans Looker Studio. Cela a donné aux utilisateurs métier un chemin de reporting partagé, fondé sur des sources documentées.

Outils

BigQuery·MCP·Python·Dataform·Looker Studio

Extraction automatique des données de facture

Résultat ~40 heures économisées par manager Financing par mois sur des milliers de factures.

Problème / Besoin

L’équipe Finance Opérations saisissait manuellement les données issues de factures fournisseurs et opérationnelles dans plusieurs formats, ralentissant la réconciliation sur les opérations multi-pays de Gozem.

Solution

Prototypé le cas d’usage d’extraction de factures dans Vertex AI Studio, en testant les prompts et le contexte avant le développement en production. Architecturé et construit un pipeline automatisé ingérant des milliers de factures par mois (formats PDF et image) via OCR LLM et document intelligence. Conçu un workflow agentique supportant l’extraction de schémas personnalisés, avec validation des anomalies, gestion des nouvelles tentatives et revue humaine, intégré à Google Sheets pour le rapprochement. Économisé en moyenne 40 heures par responsable financier par mois.

Outils

Vertex AI Studio (prototypage)·OCR LLM·Document Intelligence·Python·Cloud Storage·Google Sheets

Chatbot support client propulsé par RAG

Résultat Demandes résolubles traitées de façon autonome ; cas complexes escaladés vers Zendesk avec synthèses de conversation préservant le contexte.

Problème / Besoin

Le support client faisait face à un volume croissant de requêtes : les agents humains passaient trop de temps sur des cas résolubles, et l’escalade des cas complexes perdait le contexte.

Solution

Supervisé le développement d’un chatbot multi-agents Retrieval-Augmented Generation traitant les requêtes support Gozem de manière autonome, orientant les cas résolubles vers le chatbot et escaladant les cas complexes vers Zendesk. Ajouté une synthèse automatique des conversations pour préserver le contexte au handoff humain.

Outils

RAG·Vector DB·Python·Zendesk

Système de monitoring marché en temps réel

Résultat +10,2 % de taux d’offre, +7,4 % de taux de complétion, +5,4 % de couverture au pic des Vodun Days (~2 000 utilisateurs).

Problème / Besoin

Les opérations transport n’avaient pas de visibilité live sur les déséquilibres offre/demande lors d’événements à forte demande (jours fériés, grands événements urbains), entraînant une réponse opérationnelle lente.

Solution

Architecturé un pipeline à la minute agrégeant signaux GPS, réservations et disponibilité chauffeurs. Construit une détection des déséquilibres offre/demande avec alertes à seuil, ainsi qu’un dashboard opérationnel proposant cartes de densité de demande en direct, indicateurs de gap d’offre, scores d’engagement chauffeurs et KPIs d’événement. Implémenté des alertes Google Chat automatisées et validé lors du pic des Vodun Days : 10,2 % d’amélioration du taux d’offre, 7,4 % de hausse du taux de complétion des courses et 5,4 % de couverture supplémentaire sur ~2 000 utilisateurs distincts.

Outils

MongoDB·BigQuery·Python·Apache Airflow·Looker Studio·Google Chat API

← Parcours