Zakaria Moufannine

Contexte : WTW est un acteur mondial du conseil en risque et assurance (49 000 collaborateurs, 140 pays, ~10 Mds$ de revenus). Dans le cadre d'un programme de modernisation data, deux divisions m'ont été confiées : Corporate Risk & Broking (CRB) et Health & Benefits (H&B), avec des approches différentes selon les besoins métier.

Avant de migrer, il a fallu remettre de l'ordre. Le modèle de données Oracle hérité portait des années d'accumulation : entités mal définies, règles métier implicites, dépendances non documentées.

J'ai pris en charge la refonte complète du modèle de données en lien direct avec les actuaires, brokers et fournisseurs de données. Une fois le modèle stabilisé, j'ai piloté la migration vers Azure Synapse Analytics et reconstruit le reporting Power BI en remplacement des anciens rapports OBIEE.

Approche différente : migration iso depuis Oracle vers Microsoft Fabric. L'objectif n'était pas de remodéliser, mais de transposer fidèlement les objets et pipelines existants vers la nouvelle plateforme Fabric/OneLake, en garantissant la conformité RGPD sur des données de santé sensibles.

Le reporting Power BI a été reconstruit à l'identique, puis optimisé pour tirer parti des capacités natives de Fabric (Direct Lake, modèles sémantiques centralisés).

Stack : Oracle · PL/SQL · Azure Synapse Analytics · Microsoft Fabric · OneLake · Power BI · DAX · OBIEE · Azure Data Factory · SQL · Azure DevOps

Technip Energies est un des leaders mondiaux de l'ingénierie pour la transition énergétique (GNL, hydrogène, CO2). Depuis 2022, le groupe a lancé une transformation data ambitieuse orientée "Data Product" — des solutions data réutilisables d'un projet à l'autre — portée par la CDO du groupe.

Ma mission : concevoir et livrer from scratch, le premier pipeline de données ServiceNow vers la data platform interne — avec dashboards Power BI à la clé pour le pilotage des incidents IT.

Ce que j'ai construit :

• Ingestion API ServiceNow : connexion à l'API REST Table de ServiceNow, extraction des incidents, tickets, SLA et métadonnées. Gestion de la pagination (sysparm_limit / sysparm_offset) pour traiter des volumes importants de données sans perte ni timeout.

• Modèle de données : conception du schéma analytique dans Azure Synapse — tables de faits (incidents) et dimensions (priorité, catégorie, groupe, état, SLA) — optimisé pour le requêtage Power BI.

• Dashboards Power BI : livraison de dashboards de pilotage des incidents IT (volume, SLA, MTTR, distribution par équipe et catégorie), permettant pour la première fois aux managers de piloter la performance IT avec des données fiables et actualisées.

Valeur ajoutée : un projet 100% greenfield, qui a remplacé les extractions manuelles Excel et donné au management une visibilité data-driven sur les incidents — en ligne avec la stratégie de transformation data du groupe.

Stack : ServiceNow REST API · Azure Synapse Analytics · SQL · Power BI · DAX · Python / Power Query

Contexte : Michelin est le 2ème manufacturier mondial de pneumatiques, engagé dans une transformation Industry 4.0 ambitieuse depuis 2019. L'un des axes clés de cette roadmap digitale : l'accès assisté à l'information pour les opérateurs en usine. Le constat terrain était clair — les techniciens et ouvriers perdaient un temps précieux à chercher manuellement dans SharePoint les procédures techniques, fiches machine et normes qualité dont ils avaient besoin en temps réel.

Ma mission : concevoir et livrer une solution RAG (Retrieval-Augmented Generation) sur Azure pour transformer ce SharePoint documentaire en assistant intelligent conversationnel.

• Indexation intelligente du SharePoint : connexion via Microsoft Graph API, extraction de l'ensemble des documents techniques en français (fiches machine, procédures, normes qualité ISO), chunking, génération des embeddings via Azure OpenAI, et indexation vectorielle dans Azure AI Search avec recherche hybride (sémantique + keyword).

• Pipeline RAG complet : à chaque question posée par un opérateur, le système retrouve les passages documentaires les plus pertinents via recherche sémantique, les injecte comme contexte dans le prompt GPT, et génère une réponse précise et sourcée — en français, en quelques secondes.

• Chatbot opérateur : interface conversationnelle déployée pour les équipes usine. L'opérateur tape quelques mots ("procédure changement courroie", "norme contrôle qualité pneu X") et obtient une réponse extraite des documents officiels Michelin, avec citation de la source.

Valeur livrée : zéro navigation manuelle dans le SharePoint, des réponses fiables ancrées dans la documentation interne, et un gain de temps opérationnel direct pour les équipes production — en plein alignement avec la vision Michelin "accès assisté à l'information".

Stack : Azure OpenAI · Azure AI Search · Microsoft Graph API · SharePoint Online · Python · RAG · Embeddings · Chatbot