Data Scientist.Salariat

Les signaux agricoles bruts (météo, cultures, sols, rendements) arrivaient dans des formats hétérogènes sans couche unifiée de stockage et de calcul, bloquant la transformation en fonctionnalités produit.

Conçu et déployé une architecture big data combinant un data lake Hadoop, un cluster Apache Spark et ElasticSearch. Ingéré plus de 100 Go de données agricoles depuis plusieurs sources (données marché scrapées, feuilles de calcul, PDF, images) couvrant informations sur les cultures, engrais, production de rendement, pluviométrie et climat. Construit des pipelines d’ingestion et de transformation de bout en bout transformant les données brutes en features ML pour l’app smart-farming.

La stratégie business sur les cycles de plantation, le sourcing et le pricing se faisait sans vue quantitative des rendements attendus, entraînant des décisions réactives coûteuses.

Développé des modèles statistiques de prévision de rendement agricole utilisant des algorithmes de régression, alimentés par les pipelines de données agricoles, principalement pour le maïs avec des modèles complémentaires pour les haricots. Atteint un R² supérieur à 80 % la plupart du temps. Traduit les prévisions en couche prédictive pour la planification business : décisions de sourcing, cycles, et pricing.

La direction avait besoin de visibilité sur les insights analytiques, mais les sorties brutes étaient inaccessibles aux lecteurs non techniques.

Livré un rapport BI consolidé (Kibana, Apache Superset) couvrant plusieurs KPIs et domaines pour la direction.

La direction de Société Générale Maroc avait besoin d’une exposition structurée aux applications data et IA dans la banque pour orienter ses priorités stratégiques.

Conçu le contenu de formation et développé les cas d’usage de lab adaptés aux applications data et IA bancaires, livrés à la direction de Société Générale Maroc dans le cadre d’une mission de formation unique.