Angela B.

• Conception et déploiement de pipelines de données automatisés à l'aide d'Apache Airflow et d'AWS Glue pour intégrer les données d'entreprise issues de SAP et Salesforce
• Construction de workflows ETL/ELT pour transformer et standardiser les données sources, livrant des jeux de données prêts pour la production à Amazon Redshift pour des analyses mondiales
• Facilitation du reporting d'entreprise en soutenant des tableaux de bord Power BI utilisés par les équipes finance, ventes et opérations à l'échelle mondiale
• Conception et déploiement de pipelines de données serverless à l'aide de fonctions AWS Lambda basées sur Python, provisionnées avec Terraform
• Mise en œuvre de pipelines de traitement de données évolutifs et tolérants aux pannes pour soutenir des volumes de données croissants tout en minimisant la charge opérationnelle

• Direction d'une migration à grande échelle de Microsoft SQL Server vers PostgreSQL, avec refonte des modèles de données, des schémas et des stratégies d'indexation pour améliorer les performances, l'évolutivité et la maintenabilité
• Conception et mise en œuvre de la plateforme de données à l'aide d'Azure Data Factory, d'Azure Synapse et des premières versions de Microsoft Fabric
• Mise en place de la gouvernance des données et de la gestion des métadonnées à l'échelle de l'entreprise à l'aide de Microsoft Purview, des principes Data Vault et d'Unity Catalog, garantissant un contrôle d'accès sécurisé, une traçabilité des données (lineage) et une cohérence des schémas
• Déploiement d'Apache Airflow sur Astronomer pour l'orchestration des workflows et intégration de pipelines CI/CD à l'aide de GitLab Cloud
• Mise en œuvre d'une validation automatisée des schémas, de la qualité des données et de l'infrastructure via des portes de pipeline Azure DevOps, permettant une promotion contrôlée entre les environnements de développement, de test et de production
• Développement de DAG Airflow performants basés sur Python, optimisation des performances des bases de données et supervision de la délégation des tâches au sein de l'équipe d'ingénierie des données
• Réduction des temps de chargement des données et de la complexité du code des pipelines d'environ 70 %, accélérant la livraison des données et réduisant la charge opérationnelle

• Conception et mise en œuvre d'un entrepôt de données d'entreprise normalisé pour prendre en charge des analyses évolutives et de haute qualité dans tous les domaines métier
• Construction de pipelines de données de bout en bout à l'aide d'Azure Data Factory, Azure Storage, Databricks Autoloader et Azure Data Lake
• Mise en œuvre de pipelines d'ingestion en streaming et incrémentale dans Databricks pour fournir des données fiables destinées à l'analyse et au reporting
• Reconstruction et optimisation des pipelines d'ingestion lors de la migration vers Azure Synapse Analytics, améliorant les performances des requêtes et introduisant des contrôles automatisés de la qualité des données via des pipelines Azure DevOps
• Mise en œuvre de la gouvernance des données, du contrôle d'accès et de la traçabilité (lineage) à l'aide d'Unity Catalog
• Direction de la migration vers Microsoft Fabric, modernisant la plateforme de données et simplifiant la gestion opérationnelle

• Conception et mise en œuvre de pipelines ETL/ELT de bout en bout consolidant des données provenant de plus de 15 sources hétérogènes, notamment SAP, Salesforce, MongoDB, Hadoop, Oracle, Snowflake, des API et des data lakes, dans un entrepôt de données PostgreSQL centralisé
• Construction de workflows automatisés d'ingestion et de transformation à l'aide d'AWS Glue, Azure Data Factory, Apache Airflow, dbt et Dataiku, permettant des rafraîchissements quotidiens fiables des données pour l'analyse, le reporting KPI et les charges de travail de machine learning
• Conception et déploiement de pipelines de données serverless à l'aide d'AWS Lambda et de services Azure, provisionnés avec Terraform, réduisant l'effort opérationnel manuel d'environ 70 %
• Direction d'initiatives de machine learning prédictif dans Dataiku, livrant des modèles avec une précision prédictive allant jusqu'à 99 % et un impact commercial mesurable
• Rôle de responsable technique pour l'équipe d'ingénierie des données, coordonnant la planification des tâches, les revues de code et la collaboration avec les parties prenantes analytiques, machine learning et métier
• Établissement de normes de qualité des données, de gouvernance et de traçabilité (lineage) pour soutenir le reporting d'entreprise et la conformité réglementaire

NLB Bank is a leading financial institution operating across multiple European markets, providing retail and corporate banking services.

• Built secure and scalable data pipelines using Azure infrastructure, MSSQL, SSIS, and Python to process high-volume transactional and customer data.

• Integrated diverse data sources, including APIs, flat files, and cloud-based systems, ensuring consistency and reliability across financial datasets.

• Implemented regulatory-compliant data workflows aligned with GDPR and PCI-DSS requirements for sensitive financial and customer information.

• Enabled continent-wide real-time fraud alerting systems, significantly improving detection speed and operational response.

• Improved overall data processing performance and stability by optimizing failing jobs and refining ETL logic.

• Delivered enterprise reporting solutions using Power BI and SQL Server Reporting Services (SSRS), supporting global financial reporting needs.

Confidential digital marketing project focused on building scalable, cloud-native data platforms on AWS to support business-critical applications.

• Architected a fully automated ETL pipeline on AWS using S3, DynamoDB, Glue, DMS, and Step Functions to support a scalable data warehouse on Amazon Aurora.

• Led the migration of legacy on-premise data to AWS by automating schema conversion and data transfer with AWS DMS.

• Designed secure, high-performance data ingestion and transformation workflows to support application backends and analytics use cases.

• Improved system reliability and scalability by leveraging managed AWS services and event-driven orchestration patterns.

• Ensured data security, access control, and performance optimization across the cloud environment.

Deutsche Telekom is one of Europe’s largest telecommunications providers, serving millions of customers across mobile, broadband, and enterprise services.

• Supported senior data engineers in developing and maintaining enterprise data warehouse pipelines.

• Monitored existing production data workflows, identifying and debugging pipeline failures and performance issues.

• Assisted in maintaining Azure-based data platforms, ensuring data freshness and operational stability.

• Gained hands-on experience with enterprise-scale data engineering practices in a regulated telecom environment.