Yassir Azelmad

BANQUE & ASSURANCES

Conception, développement et industrialisation descénarios de détection d’abus de marché(Insider Trading, Manipulation de cours, Wash Trades, Layering/Spoofing) sousDataiku.Implémentation des scénarios enPython / PySpark, exploitation des EDB et orchestration via les pipelinesDataiku (recipes, datasets, automation).Construction du BUILD en deux phases :Phase 1 : développement de règles basiques (seuils, heuristiques, indicateurs comportementaux).Phase 2 : optimisation via Machine Learning (anomaly detection, clustering, scoring, features temporelles).Activités RUN: monitoring de performance, tuning des paramètres, optimisation des temps de calcul et validation des scénarios en production.Production d’analyses et extract ad hoc (SQL, Python) et génération d’indicateurs clés liés à la surveillance des abus de marché.Contribution au data lineage, gouvernance et mise à jour du dictionnaire de donnéesColibra(métadonnées, définitions fonctionnelles, mapping technique).Renforcement du dispositif de contrôle grâce à la création de features avancées, KPIs, logs d’exécution, dashboards de suivi.

AUTOMOBILE

Conception et mise en production d’une architecture data & machine learning pour évaluer le potentiel d’électrification de flottes automobiles d’entreprise.Développement d’un modèle de scoring d’éligibilité à l’électrique (analyse des usages véhicules, probabilité de trajets > 300 km/jour, split train/test 70/30).Développement d’un modèle de prédiction des coûts locatifs pour estimer l’impact financier d’un passage à l’électrique.Déploiement des pipelines ML sur AWS (Lambda / ECS), automatisation des rafraîchissements quotidiens via EventBridge (cron) et mise en place d’un système de monitoring & alerting.Création de tables PostgreSQL exposant les scores et indicateurs, optimisées pour requêtage (indexation complète, compatibilité GraphQL).Construction d’une vue SQL consolidée intégrant : données véhicules, kilométrage moyen, fin de contrat, impacts financiers (location, fiscalité, carburant) et gains CO₂ (usage + production).Intégration d’APIs externes (géocodage, données publiques) pour déterminer l’éligibilité à l’installation de bornes de recharge à domicile.Collaboration avec équipes produit et data pour cadrage métier, validation des hypothèses financières et environnementales.Stack : Python, SQL, PostgreSQL, AWS (Lambda/ECS, EventBridge)

COMMERCE DE DÉTAIL

Création du premier modele Machine Learning de predictions des ventes chez Saint-Maclou avec SK-Learn et SnowPark.Analyse Clients : Segmentation Client avec Apprentissage Non-Supervisé (K-Means) et extraction des profile clients chez ST-Maclou.Analyse Sentimentale des Conversations et Commentaires Clients avec le NLP sur Snowflake.Déploiement des Pipeline du Modele sur SnowFlake, en utilisant Git et AirFlow, executer chaque debut de mois.Création de l’API Tracking et Devis en REST avec NodeJS Express, Snowflake et Mongodb.