● Disponible pour de nouvelles missions
Data Engineer avec plus de trois ans d'expérience, spécialisé dans la modélisation des données et la conception de pipelines ETL/ELT robustes. Je construis des entrepôts de données de bout en bout et je les rends lisibles pour les équipes qui en dépendent.
Antananarivo, Madagascar
Trois couches, une seule personne pour les faire tenir ensemble — de la requête SQL jusqu'au modèle qui l'exploite.
Plus de trois ans à construire des pipelines de données pour des secteurs différents — aérien, e-commerce, secteur public.
Depuis juillet 2024. Mise en place d'un data warehouse en architecture médaillon et d'un pipeline ETL complet, de l'extraction à la restitution. Tableaux de bord Apache Superset, requêtes optimisées, mise en production et monitoring sous contrainte de SLA.
Avril 2023 – avril 2024. Pipelines ETL/ELT pour intégrer des données aériennes hétérogènes — vols, passagers, ventes, maintenance, fidélité — avec automatisation, gestion des erreurs et tableaux de bord interactifs pour les décideurs.
Juillet – décembre 2022. Pipeline ETL production-ready multi-sources vers entrepôts, avec mise en place de contrôles qualité et de tests pour fiabiliser les données livrées.
Décembre 2018 – mars 2019. Application web pour la gestion des bulletins de performance, avec automatisation du calcul des indicateurs à partir des données collectées.
Je m'appelle Mahenina. Depuis plus de trois ans, je conçois des pipelines de données et des entrepôts pour des secteurs aussi différents que l'aérien et l'e-commerce — avec le même objectif à chaque fois : que la donnée reste fiable du premier extrait jusqu'au dernier tableau de bord.
Avant de me spécialiser en data, j'ai été développeur fullstack, et avant ça, j'ai une formation en design graphique — affiches, contenus social media, produits dérivés. Ça m'est resté : je fais attention à ce qu'un tableau de bord reste lisible pour la personne qui doit décider avec, pas seulement techniquement correct. Je travaille en français et je poursuis actuellement une spécialisation en Machine Learning.
Quelques principes qui guident chaque mission, du premier échange à la mise en production.
Un beau graphique sur des données fausses ne sert à rien. Je vérifie d'abord que ce qui alimente le tableau de bord est solide.
Je documente mes déploiements et j'écris pour la personne qui reprendra le projet après moi — même si c'est moi, six mois plus tard.
Je préfère un serveur bien documenté à un serveur qui marche par miracle. Chaque déploiement doit pouvoir être refait.
Un pipeline à construire, une application à faire évoluer, un serveur à remettre d'aplomb — écrivez-moi, je réponds sous 24 à 48h.
Les questions qu'on me pose le plus souvent avant de démarrer une mission.
Côté data : SQL, dbt, Python, Airflow, SSIS, Talend, SQL Server et PostgreSQL. Côté BI : Apache Superset, PowerBI et QlikView. Je garde aussi un socle fullstack en Laravel pour les projets qui le demandent. Je choisis l'outil en fonction du besoin, pas l'inverse.
On part d'un besoin clair, je propose une approche technique, puis j'avance par étapes courtes avec des points réguliers pour ajuster le tir avant la mise en production.
Oui, entièrement à distance. Je m'organise pour rester joignable et je communique par email ou par les outils que vous utilisez déjà en interne.
Ça dépend du périmètre : une automatisation ou un correctif peut se traiter en quelques jours, un pipeline ou une application complète se planifie sur plusieurs semaines.
Sur devis, en fonction du périmètre défini ensemble en amont. Les modalités de paiement sont précisées avant le début de la mission.
Oui — que ce soit un pipeline de données, une application Laravel ou React, ou un serveur déjà en place. Je commence toujours par un état des lieux avant de proposer des évolutions.