Contexte et objectifs

• Mettre en place un système intelligent pour assainir et valider automatiquement les fiches clients afin d'améliorer la qualité des données pour la BI et les équipes opérationnelles.
• Détecter et corriger les anomalies (incohérences de prénoms, adresses, villes, etc.) non prises en compte par des règles simples, en s'appuyant sur des approches statistiques et de Machine Learning.

Missions principales

• Construire un dictionnaire dynamique (prénoms, adresses, villes…) capable d'identifier des incohérences et d'évoluer avec les nouvelles données.
• Développer et entraîner des modèles de Machine Learning supervisés et non supervisés (classification & détection d’anomalies) pour automatiser la validation et la correction des fiches clients.
• Automatiser les contrôles qualité des données dans un pipeline (extraction, nettoyage, détection, correction, reporting).
• Générer des tableaux de bord Power BI pour suivre le niveau de qualité des données et fournir des indicateurs aux équipes BI et opérationnelles.

Compétences techniques et outils

• Maîtrise de Python pour l'analyse de données (Pandas) et la mise en œuvre de modèles ML (Scikit-learn).
• Compétences SQL pour la gestion et l'interrogation des bases de données.
• Expérience avec Power BI pour la conception de tableaux de bord et la visualisation des indicateurs de qualité.
• Notions en Data Quality et manipulation de formats JSON/APIs; familiarité avec FastAPI ou Flask pour exposer des services de validation si nécessaire.

Profil recherché

• Étudiant en dernière année d’ingénierie informatique, Business Intelligence, Data Science, informatique de gestion, ou licence appliquée en Data Engineering/Développement.
• Bonnes bases en apprentissage supervisé & non supervisé, ainsi qu'en ingénierie des données et validation automatique.

Livrables attendus

• Dictionnaire dynamique (prénoms/adresses/villes) et mécanismes d'enrichissement/maintenance.
• Modèles ML pour classification et détection d’anomalies avec documentation des performances et seuils de confiance.
• Pipeline automatisé de contrôle qualité des données et procédures de correction automatique ou semi-automatique.
• Tableaux de bord Power BI présentant le score de qualité des données et l'évolution après corrections.

📧 Pour postuler: rh@zitounakaful.com