Matthieu Soumbo

- Pilotage de la conception d’un service digital de maintenance aéronautique, structurant des flux data complexes (ingestion, analyse, restitution) dans un environnement cloud AWS, avec coordination transverse équipes métier et techniques.

- Définition et priorisation du backlog produit

Rédaction de spécifications fonctionnelles détaillées (SFD) et de user stories avec critères d’acceptation

- Conception des parcours utilisateurs et des interfaces (visualisation flotte, analyse d’alertes, gestion d’événements, suivi de recommandations).

Pilotage produit dans un environnement cloud AWS (data platform, ingestion, analytics), en coordination avec les équipes techniques

J'ai surveillé la qualité des données en temps réel, permettant aux équipes de prendre des décisions informées à chaque sprint. L'amélioration continue a été au cœur du projet, avec des retours réguliers des parties prenantes pour affiner les indicateurs et ajuster les rapports en fonction des besoins métiers.

J'ai travaillé en étroite collaboration avec des équipes inter fonctionnelles (techniques, business, et data) dans une logique agile pour définir et itérer sur les processus de gouvernance des données. Des cérémonies Scrum, telles que les daily scrum, et des sprint rétrospectives et sprint review, ont facilité la synchronisation des équipes et l'ajustement rapide des priorités en fonction des besoins émergents.

Grâce à une série de sprints dédiés à l'évaluation de la perception de la qualité des données, j'ai déployé des enquêtes ciblées qui ont permis de collecter des feedbacks actionnables. Ces résultats ont été utilisés pour affiner nos indicateurs de qualité des données et ajuster les processus en temps réel, en veillant à ce que les améliorations apportées soient directement alignées avec les besoins des utilisateurs finaux.

J'ai développé et livré rapidement des prototypes fonctionnels en cycles courts (sprints), intégrant des outils de reporting et de monitoring. Ces prototypes ont été testés et validés avec les équipes métier avant d'être intégrés dans l'environnement de production, ce qui a permis une adoption plus rapide et un retour sur investissement accru.

J'ai présenté 6 Résolutions de problématiques d’entreprises via utilisation de la modélisation et la visualisation des données sur des projets concrets et validés en soutenance par des experts du métier.

1) Concevoir une application au service de la santé publique :

- Analyse statistique et apprentissage automatique. Développement d'algorithmes prédictifs capables d'identifier des anomalies et de fournir des recommandations pour améliorer la santé publique à grande échelle.

- Analyse exploratoire des données et préparation des jeux de données pour la modélisation, conception de modèles de machine learning (régression, réseaux de neurones, etc.), et optimisation des performances par la sélection des meilleurs hyperparamètres. Le but était l'optimisation de la précision des prévisions énergétiques et réduction des coûts énergétiques potentiels grâce à une meilleure gestion des ressources.

3) Segmenter des clients d'un site e-commerce :

- Détection des profils clients via l'apprentissage non supervisé. Utilisation d’algorithmes d’apprentissage (clustering) pour identifier des segments distincts de clients en fonction de leurs comportements d’achat. Mise en place d’un processus de feature engineering pour améliorer la performance des modèles.

4) Classer des images à l'aide d'algorithmes de Deep Learning :

- Conception d’un réseau de neurones convolutif (CNN) pour l’extraction des caractéristiques visuelles. Déploiement du modèle sur des photos, puis adaptation pour le traitement de vidéos avec détection en temps réel.

- Développement d’un modèle basé sur le NLP pour analyser les questions et suggérer des tags appropriés. Feature engineering pour améliorer la précision du système de suggestion, la recherche et l'organisation des informations pour les utilisateurs.