Yannis Ikni

Lead Data Engineer responsable de la conception, de l'industrialisation et de l'exploitation d'une plateforme de données cloud Azure (Data Lake, Databricks Lakehouse, Power BI), garantissant la qualité, la gouvernance des données et la création de valeur pour le pilotage métier et les cas d'usage IA.

-Conception, construction et maintenance de pipelines de données ETL/ELT scalables sur Azure Data Factory à partir de sources

MySQL, MongoDB et HubSpot vers un Data Lake Azure et un Databricks Lakehouse (entrepôt de données cloud).

-Développement et optimisation de workflows de transformation de données et de KPI avec Databricks et PySpark, améliorant la performance, la scalabilité et l'efficience des coûts.

-Définition et application des standards de gouvernance des données, gestion des métadonnées et data lineage ; automatisation des contrôles de qualité des données (fraîcheur, contrôles métier, détection d'anomalies).

-Point de contact principal pour la plateforme IA : support des pipelines d'entraînement et de déploiement des modèles et des données de features pour les équipes data science et métier.

-Conception et évolution des modèles de données Power BI ; création de tableaux de bord de pilotage métier et de rapports de monitoring technique (self-service analytics).

-Administration et gouvernance Power BI ; migration vers un nouveau tenant Azure et vers Power BI Fabric.

•Référent technique Data : montée en compétence de l'équipe, coordination des partenaires externes (Microsoft, Databricks, consultants).

Scrum Master de l'équipe Data (gestion de projet Agile).

•

Développement d'applications de données et de tableaux de bord avec Python (Dash) alimentés par des pipelines de données SQL

depuis PostgreSQL.

•

Mise en place de pipelines CI/CD avec construction d'images Docker et orchestration sur un cluster Kubernetes.

Expérience collaborateur – amélioration du moteur de recherche interne (SharePoint).

•

Collecte de données depuis un Data Warehouse cloud Azure et par scraping de documents.

•

Construction de pipelines de machine learning non supervisé pour le tagging automatique des pages par mots-clés via Databricks

(feature engineering, entraînement de modèles).

•

Développement d'un modèle de correction orthographique sur mesure et définition de KPI pour évaluer la performance de la

recherche.