Wicem Mokni

==== Contexte ====

Migration stratégique du legacy SAP BW vers Snowflake et Power BI. Périmètre enterprise : multi-marques (L'Occitane, Erborian, Melvita), multi-pays (Europe, Asie, Amérique). Intégré à une équipe data structurée, avec un ownership complet sur les sujets confiés, en coordination avec les équipes internes concernées (IT, QA, Retail, E-commerce, Référentiels).

==== Réalisations ====

- Référentiel client unifié : conception de l'architecture d'ingestion multi-sources (POS, e-commerce, CRM, MDM) dans Snowflake. Mise en place des pipelines de chargement, des vues de transformation

dbt et du suivi de fraîcheur des données via Airflow.

- Snowflake Data Sharing : accès cross-comptes aux données du référentiel client avec mécanisme de backup automatisé.

- Pipeline e-commerce multi-pays : modèles dbt incrémentaux couvrant plusieurs marchés internationaux (UK, Japon, Australie, Irlande). Gestion des contraintes de cohérence temporelle des données.

- Intégration Shopify via Fivetran : configuration des connecteurs, modélisation dbt des données e-commerce et synchronisation dans le data warehouse Snowflake.

- Conformité fiscale e-reporting B2C : conception du pipeline d'agrégation et d'export pour la déclaration des taxes. Gestion des versions initiales et correctives, orchestration Airflow.

- Qualité & CI/CD : mise en place d'une chaîne de qualité complète : tests dbt, linting SQL automatique, pipeline CI/CD sur Bitbucket pour garantir la non-régression en production.

==== Résultats ====

- Architecture enterprise opérationnelle : 3 marques, 15+ pays, 30+ sources de données unifiées dans un référentiel client centralisé

- Réduction de 60% du temps de livraison des rapports e-commerce grâce aux modèles dbt incrémentaux

- Conformité fiscale e-reporting B2C opérationnelle avant deadline réglementaire

- CI/CD dbt déployée en production : zéro régression depuis la mise en place

==== Contexte ====

Scale-up photovoltaïque en croissance internationale, sans équipe data à mon arrivée, la donnée était maintenue tant bien que mal par les développeurs back-end.

Mission : industrialiser la data platform de bout en bout (infra, DataOps, orchestration, modélisation, dataviz) et accompagner la montée en compétences des équipes sur la modern data stack et les bonnes pratiques de prod.

==== Réalisations ====

- Architecture cible : cartographie de l'existant et conception d'une plateforme cloud-native Snowflake + dbt + Airflow.

- Sécurisation Snowflake : audit complet, nettoyage des accès, MFA, RSA, séparation des rôles et network policy account-level.

- Refonte de l'orchestration : migration de ~35 jobs d'une stack non fiable vers Airflow conteneurisé, avec dépendances ETL → dbt et alerting opérationnels.

- Industrialisation Airflow : déploiement self-hosted, git-sync, image custom dbt, CI/CD GitLab.

- Gestion des secrets : mise en place d'AWS Secrets Manager avec IAM, migration des credentials hors .env.

- Industrialisation dbt : environnements DEV / STAGING / PROD, CI/CD multi-stages (SQLFluff, dbt compile, dbt test), monitoring de fraîcheur.

- Référentiel client unifié : modélisation dimensionnelle multi-sources (CRM, ERP, terrain, comptabilité) avec réconciliation par matching de similarité.

- Pilotage business : marts ventes, rentabilité, SAV et qualité branchés sur Power BI direction et Metabase opérationnel.

- Acculturation équipe : formation des développeurs back-end à Airflow, dbt, Snowflake et aux pratiques d'industrialisation (Git, CI/CD, secrets, tests).

==== Résultats ====

- Data platform industrialisée livrée en 3 mois

- +30% de CA potentiel identifié

- Qualité prospects ×2 : 33 000 doublons/triplons nettoyés

- Surface d'attaque Snowflake réduite

- Time-to-install piloté à la journée par la direction grâce au dashboard Power BI

- Équipe autonome sur la modern data stack

==== Contexte ====

Seul Data Engineer pour une application médicale certifiée CE. Migration d'infrastructure et

mise en place d'un pipeline NLP d'extraction de données biologiques cliniques (exigences HDS/RGPD).

==== Réalisations ====

- Migration complète de la stack Claranet vers modern data stack GCP / S3NS (souveraineté des données, autonomie complète)

- Pipeline NLP complet : ingestion event-driven (GCS + Pub/Sub), OCR Mistral (Vertex AI), extraction d'entités biomédicales (biomarqueurs, valeurs, unités, dates), normalisation sémantique

- Structuration et stockage des données cliniques dans BigQuery, transformation et data quality avec dbt

- Orchestration Airflow (Cloud Composer), pipeline cloud-native déployé sur Cloud Run (Git, logs, retries, monitoring)

- Conformité RGPD/HDS : anonymisation, traçabilité, contrôle d'accès granulaire

==== Résultats ====

- Réduction de 85% du temps de traitement manuel des documents cliniques

- Précision d'extraction NLP de 94%

- Coûts d'hébergement divisés par 3 grâce à la migration GCP

- Conformité HDS obtenue en 2 mois.

==== Compétences clés ====

Python, Mistral OCR, Vertex AI, GCP (Pub/Sub, GCS, BigQuery, Cloud Run, Composer), dbt, Airflow, Terraform, GitHub Actions