Data scientist Amiens : Trouvez vite les meilleurs freelances disponibles

Exemple de missions de Kokoé,
Data Scientist freelance

• Data Scientist R Shiny

  PROPARCO – Groupe AFD
  2023 - aujourd'hui

  Projet : Application Shiny de suivi du plan d’affaires des sociétés en temps réel
  • Développer dans les application Shiny de nouvelles fonctionnalités, visualisation et tableau de bord
  • Fiabiliser les données amonts avant intégration et produire les tableaux de bords de suivi financier
  • Traitement et manipulation de données en langage R, SQL

  Technologies utilisées : R, Shiny, packages tidyverse, dplyr, SQL

• Product Owner Data

  AXA-GIE/DSI
  Jan 2021 - Jan 2023

  Projet 2 : Assurer la BAU et la gestion de projet de 4 applications métiers
  Assurer le bon fonctionnement des applications en BAU, répondre aux demandes d’évolution
  Business et techniques, diminuer l’impact des incidents. Être en support du déploiement d’une
  nouvelle application dans l’environnement AXA.
  • Migration technique de la plateforme applicative Openshift de la version 3 à 4
  • Mise en production : Coordination entre les équipes de production, infra et DevOps
  • Coordination avec les équipes informatiques des entités pour assurer la continuité des services et
  la gestion des incidents niveau L1
  • Suivi de la conformité des applications avec les standards du Groupe et la gouvernance IT
  • Coordination entre les équipes infra, solution providers, et la DSI pour le déploiement d’une
  nouvelle application dans l’environnement AXA
  Projet 1: Migration des outils de calculs du métier de la ré-assurance
  Assurer le bon fonctionnement des outils de calibration sur les postes des utilisateurs pour anticiper
  le dé-commissionnement des applications vers le cloud
  • Rétro-ingénierie des applications en R pour identifier les packages et dépendances
  • Livrer les packages R nécessaires au bon fonctionnement des applications aux entités (pour une
  vingtaine de pays à l'international)
  • Suivre la phase de tests des applications par les entités
  • Assister les entités pour l'usage des applications sur leur poste en local
  • Assister le déploiement en local des nouvelles applications en Shiny

  Technologies : ITIL V4, Langage R, Python, API Rest, Openshift, Git, PostgreSQL, Azure, AWS

• Data Scientist R Shiny

  Association Handi’ Cats
  Jan 2020 - Jan 2021

  Projet : Application R Shiny de carnet de santé numérique pour les protégés
  • Créer une application R Shiny pour le suivi médical des animaux protégés
  • Suivre les rappels de vaccins et les médications en cours
  • Créer une base de données des consultations et analyses médicales réalisées

  Technologies utilisées : MySQL, R, Shiny, manipulation de données (tidyverse)

• Data Scientist Qualité de données

  COVAGE
  Jan 2019 - Jan 2020

  Entité : Direction des Systèmes d’Information
  Projet : Data Excellence Program
  Redresser la qualité des données d’équipements et d’adresses dans le cadre du déploiement de la
  Fibre pour fluidifier les échanges du processus de commandes
  • Contrôler la qualité de données en termes de format et de contenu
  • Investiguer les sources d’erreurs/informations incomplètes puis les transférer aux
  correspondants métier ou aux équipes DSI
  • Réaliser les Dashboards hebdomadaires des statistiques de qualité de données
  • Faire les corrections en masse en base de données à partir des règles de gestion

  Technologies utilisées : MySQL, SQL, Power BI, suivi des tickets sur Microsoft Azure DevOps Gains : Évolution du ratio de prises déployées conformes passant de 65% à 82%

• Data Scientist

  ORANGE
  Jan 2016 - Jan 2019

  Entité : Direction de l’Intervention (DI)
  Projet 3 : Prédiction des ré-interventions SAV post production (DP30)
  Prédire le risque de ré-intervention (SAV) suite à une mise en production d’une nouvelle ligne sur le
  marché GP du support Cuivre, domaine Retail et Wholesale.
  • Formaliser la problématique métier et définir la démarche méthodologique
  • Réaliser le pré-processing : créer de nouveaux indicateurs, recodage des modalités, imputation
  des valeurs manquantes, échantillonnage
  • Construire les modèles de machine learning : Lasso, forêts aléatoires, XGBoost
  • Optimiser les hyper-paramètres de ces modèles via la méthode de Grid Search
  • Analyser les causes racines : classification mixte des observations
  • Livrer le package R contenant l’ensembles des fonctions développées, commentées et la
  documentation qui détaille toutes les étapes de traitement
  Technologies utilisées : Hadoop, datalab, Hive, manipulation des tableaux de données sous R
  (tidyverse), apprentissage supervisé (Random Forest, Xgboost), contrôle de version via Git
  Gains : Détection de 17% du total de réitérations SAV soit 17000 SAV évitées/an
  COVAGE
  Data Scientist Qualité de données Oct. 2019 – Juin 2020 (8 mois)
  Entité : Direction des Systèmes d’Information
  Projet : Data Excellence Program
  Redresser la qualité des données d’équipements et d’adresses dans le cadre du déploiement de la
  Fibre pour fluidifier les échanges du processus de commandes
  • Contrôler la qualité de données en termes de format et de contenu
  • Investiguer les sources d’erreurs/informations incomplètes puis les transférer aux
  correspondants métier ou aux équipes DSI
  • Réaliser les Dashboards hebdomadaires des statistiques de qualité de données
  • Faire les corrections en masse en base de données à partir des règles de gestion
  Technologies utilisées : MySQL, SQL, Power BI, suivi des tickets sur Microsoft Azure DevOps
  Gains : Évolution du ratio de prises déployées conformes passant de 65% à 82%
  Projet 2 : Performance du défaut de production (DP15)
  Analyses croisées du taux de ré-intervention SAV post production (xDSL). Développer des
  Dashboard via Qlik Sense à destination des opérationnels en UI
  • Collaborer avec les data scientist des directions transverses à la DI, fournisseurs de données /
  experts fonctionnel : DERS (Réseau), DMGP (Marketing)
  • Data Modeling: appairage des sources de données, dictionnaire de données
  • Développer les flux de données pour enrichir les caractéristiques de processus de raccordement
  des nouvelles lignes: intervention de production/tests diagnostics/signalisation client/données
  techniques de la qualité service réseau
  • Industrialiser la production de rapports d’analyses sous l'outil Qlik Sense
  Technologies utilisées : Hadoop, Hive, SQL, Qlik Sense, ordonnancement via Oozie

  Technologies utilisées : Hadoop, Hive, SQL, Qlik Sense, ordonnancement via Oozie

• Data Scientist

  ENEDIS
  Jan 2015 - Jan 2016

  10/2015 - 9/2016
  Entité : Pôle Données de la DSI, département LAQ
  Projet : Maintenance prédictive de serveurs
  Prédire les futures pannes de serveurs informatiques
  • Collecter et structurer les données de fonctionnement des serveurs
  • Classifier les typologies d’évènements à partir des messages textes
  • Construire un modèle de régression logistique et calculer le risque de pannes

  Technologies utilisées : Python, Spark, hadoop, SQL, pandas, numpy, Scikit learn, R language

• Data Scientist

  SYNALTIC
  Jan 2015 - Jan 2015

  Projet : Segmentation clientèle d’un réseau de pharmacies
  • Collecter et intégrer dans le système distribué l’historique des données d’achats
  • Classifier les caractéristiques d’achats et profils client par la méthode «K-Means»

  Technologies : Hadoop, Spark, Hive, Scala, Python, Talend, postgreSQL, Tableau

• aujourd'hui

  Projet 1 : Prévision des flux d’intervention des techniciens
  Fiabiliser les prévisions d’activités afin d’anticiper l’adéquation activité/ressource optimale
  : fonctionnement nominal, entraide, gestion de crise.
  • Collaborer avec les data scientists des directions DERS et DSBI, fournisseurs des données
  d’impacts de foudres et la météo prévisionnelle à 72h
  • Phase POC : Modéliser les flux d'intervention en fonction de l’historique des flux et des facteurs
  exogènes (météo et calendrier) et valider les modèles de prévision sur 4 flux SAV/ PROD des
  domaines Grand Public et FTTH sur 5 unités d’interventions (UI) pilotes
  • Phase industrialisation : Automatiser la collecte de données et les étapes de modélisation sous R
  pour produire les modèles de prévisions sur l’ensemble des 27 unités d’interventions reparties
  en régions en France
  • Intégration des modèles de prévisions dans l’outil de pilotage de l’activité d’intervention sur
  Qlik Sense

  Technologies utilisées : Hadoop, datalabs C3P, Hive, SQL, langage R, apprentissage supervisé (régression multivarié) et méthodes de séries chronologiques Gains : Réduction des écarts aux prévisions par rapport aux valeurs réels inférieurs à 12% contre 20% pour les solutions existantes en UI