PROCESSUS D’ENTRETIEN DE LA VIE RÉELLE D’UN DE MES ANCIENS ENTRETIENS : MON EMPLOI ACTUEL Candidature le vendredi, invitation à l’entretien le mardi, et offre d’emploi le jeudi. Toutes les réponses sont exactement celles que j’ai données lors de l’entretien. Voici les 3 principales questions qui m’ont été posées : 3. Où iriez-vous chercher ces données, quel est votre processus de réflexion pour les identifier ? Je commence par cartographier toutes les sources de données liées au processus évalué, qu’elles soient structurées ou non structurées. Par expérience, cela inclut généralement les journaux système, les données de flux de travail, les rapports de performance et les données d’interaction utilisateur provenant d’outils et de plateformes. Je consulte également des sources complémentaires comme les retours des employés, les entretiens avec les parties prenantes et les notes de réunions pour capturer la dimension qualitative. Une fois les sources identifiées, j’évalue la qualité et la cohérence des données afin de m’assurer que nous pouvons suivre les mêmes indicateurs avant et après la mise en œuvre de l’IA. Ensuite, je construis un pipeline de données ou utilise des outils BI existants pour intégrer et visualiser les données, afin de surveiller les tendances, mesurer l’impact et communiquer clairement les insights aux publics techniques et non techniques. 4. Décrivez-moi la partie pipeline de données : quelle est votre approche privilégiée et quels cadres ou modèles utilisez-vous particulièrement ? Mon approche privilégiée commence par une compréhension claire du flux de données, depuis la source jusqu’à l’insight. Je commence par identifier où se trouvent les données brutes, qu’il s’agisse d’une base de données SQL, d’une API ou d’un stockage cloud, puis j’applique un processus ETL ou ELT pour extraire, nettoyer et transformer les données en un format utilisable. Pour la transformation, j’utilise généralement Python avec des normes et dbt pour le contrôle de version et le modélisation des données, afin que le processus soit cohérent et traçable. Une fois structurées, les données sont chargées dans un entrepôt comme Snowflake ou BigQuery, selon la stack, puis connectées à des outils de visualisation comme Power BI ou Fabric. Tout au long du processus, j’intègre des vérifications de validation et un suivi des métadonnées pour garantir l’intégrité et la transparence des données. L’objectif final est toujours un pipeline hautement automatisé, évolutif et suffisamment flexible pour s’adapter à l’introduction de nouvelles sources de données ou de nouveaux indicateurs. 5. Avez-vous beaucoup utilisé Fabric et Power BI ? Oui, largement. J’utilise Fabric pour gérer les pipelines de données et intégrer plusieurs sources dans un modèle unifié, ce qui rend les rapports beaucoup plus fluides. Avec Power BI, j’ai créé des tableaux de bord suivant des KPI, des métriques d’adoption et des tendances de performance en utilisant DAX pour des calculs avancés. Ce que j’aime particulièrement avec ces deux outils ensemble, c’est leur complémentarité au sein du même écosystème Microsoft : Fabric gère le traitement intensif des données tandis que Power BI facilite la communication efficace des insights aux parties prenantes.