Nassim E.

Plateforme SaaS B2B permettant aux concessionnaires et marchands automobiles de prospecter automatiquement les particuliers vendant leur véhicule sur les principaux sites d'annonces français.

Le robot contacte les vendeurs selon des critères précis et génère des appels entrants sans effort manuel.

J'ai conçu l'architecture technique de A à Z : un monorepo découplé séparant l'app Next.js d'une API standalone, avec un système de queue et retry via BullMQ et Redis pour gérer les jobs en background de manière robuste.

Le cœur du produit repose sur un moteur de scraping couplé à un système de ciblage précis - typologie de véhicule, géographie (PostGIS) - et une automatisation complète des séquences de prospection.

J'ai également piloté une équipe de 2 développeurs sur l'ensemble du projet.

Plateforme de mise en relation entre actuaires freelances/en recherche de poste et entreprises du secteur assurance, sur un marché sans outil dédié jusque-là.

J'ai conçu l'architecture technique de A à Z sur une base Next.js full-stack, en tirant parti des Server Actions et Route Handlers pour garder une codebase cohérente sans over-engineering. Le cœur du produit repose sur un algorithme de scoring assurant le matching entre les profils actuaires et les offres entreprises.

J'ai intégré Stripe pour la monétisation, Resend pour les emails transactionnels et Supabase comme couche données avec Drizzle en ORM.

J'ai également piloté une équipe de développeurs sur l'ensemble du projet.

J'ai développé un modèle de prédiction de résultats de matchs (victoire/nul vs défaite) surpassant de 5% la précision des applications d'aide aux parieurs du marché.

La valeur ajoutée principale était dans le feature engineering : à partir d'un dataset initial de 100+ variables, j'ai construit plus de 600 features incluant des métriques de force adversaire, ratios d'efficacité et décompositions par position.

J'ai utilisé Boruta pour la sélection de features — particulièrement adapté à un espace de variables aussi large — et XGBoost pour la modélisation, avec MLflow sur cloud pour automatiser la sélection de modèles et paralléliser les expérimentations.