Merwan Amar Chelouah

Pilotage de la conception et de la mise en œuvre d’architectures data cloud-native et orientées événements afin de soutenir des solutions analytiques scalables et fiables à l’échelle de l’organisation.

Principales responsabilités et réalisations :

Conception et développement de pipelines de données sur AWS, en utilisant Lambda, Step Functions, EventBridge, SQS et SNS, afin de permettre l’ingestion, la transformation et la mise à disposition fluide de données sous différents formats (CSV, JSON, Parquet) vers S3, bases de données relationnelles, APIs REST et Snowflake.

Développement et déploiement d’une plateforme Datalab en self-service (React + Node.js), hébergée sur AWS (ECS, Route 53, ALB), permettant aux Data Scientists, Business Analysts et équipes métiers de provisionner des environnements isolés avec un accès gouverné aux jeux de données issus du DataHub d’entreprise.

→ Réduction drastique du délai de mise à disposition des données — de plusieurs semaines à quelques heures — accélérant l’expérimentation, le prototypage et le time-to-insight au sein de l’organisation.

Automatisation du provisionnement d’infrastructure via AWS CDK (Infrastructure as Code) et mise en place de pipelines CI/CD robustes avec Jenkins afin d’industrialiser et fiabiliser les déploiements.

Pilotage de la priorisation du backlog architecture et livraison d’études d’architecture de bout en bout ainsi que de proof-of-concepts (POC) pour des initiatives data stratégiques.

Rédaction de blueprints d’architecture détaillés, de documentation technique et de high-level designs afin de guider les implémentations et garantir l’alignement avec les standards d’entreprise.

Contribution hands-on sur des sujets techniques clés tout en accompagnant les tech leads dans la définition et l’application des bonnes pratiques d’ingénierie au sein de la plateforme data.

Promotion d’une approche data-first, avec un fort accent sur l’automatisation.

Pilotage des processus d’intégration de données de bout en bout, avec conception et orchestration des pipelines d’ingestion des données Crédit du Nord en utilisant Python, SQL et des frameworks ETL, en garantissant l’intégrité des données et leur alignement avec l’architecture risque de Franfinance.

Évaluation et mitigation des impacts systémiques sur l’ensemble de la chaîne de valeur des données, incluant la dérive des modèles (model drift), la stabilité des variables (feature stability) et les problématiques de traçabilité des données (data lineage) affectant les modèles réglementaires (PD, LGD, EAD).

Pilotage de campagnes de tests de régression, de backtesting et de stress testing afin de valider la performance des modèles post-intégration, en conformité avec les exigences Bâle III/IV et les cadres de validation interne.

Construction de cadres d’analyse du risque réglementaire permettant de quantifier les impacts en capital et en tarification liés à l’absorption du portefeuille, en s’appuyant sur des métriques avancées (RWA, coussins de capital) pour soutenir la stratégie de pricing et la prise de décision.

Automatisation des processus de risque opérationnel et des pipelines de reporting en environnement Unix (scripts shell), avec des traitements en aval sous SAS et Python, réduisant le temps d’exécution et l’intervention manuelle de plus de 60 %.

Rôle d’interface clé entre les équipes Data Science, Risque et IT afin d’assurer la traçabilité des données, la conformité aux exigences de gouvernance et la préparation aux audits des modèles tout au long du cycle de vie du projet.

J’ai travaillé au sein du département Model Risk Management, où j’ai contribué à la revue, à la validation et à la mise en œuvre de modèles quantitatifs et basés sur l’IA utilisés dans les domaines du risque, de la conformité et des prévisions macroéconomiques.

Principales responsabilités et réalisations :

Réalisation de validations de risque modèle pour des dispositifs de Stress Testing et des modèles de prévision macroéconomique, incluant des modèles de séries temporelles tels que les modèles à correction d’erreur (ECM) pour l’analyse des équilibres de long terme et des dynamiques de court terme.

Mise en œuvre et backtesting de modèles de Machine Learning et de Deep Learning pour la détection de fraude et la classification en matière de conformité, notamment des architectures de type Multi-Layer Perceptron (MLP) pour la détection d’anomalies et le scoring comportemental.

Collaboration avec les équipes de Recherche Économique sur des modèles économétriques de prévision (PIB, inflation, variables de marché) et garantie de la cohérence méthodologique ainsi que de la conformité réglementaire (SR 11-7, ECB TRIM).

Développement de frameworks robustes en Python dédiés à la validation des modèles, à la reproductibilité des analyses et à l’automatisation du reporting.

Mobilisation de solides compétences analytiques, quantitatives et conceptuelles, avec production de rapports techniques détaillés et de synthèses de validation à destination du senior management et des régulateurs.