// data · ia · architecture · leadership

De la stratégie data
à la mise en production.

10 ans d'expérience, dont 7 ans à la tête d'équipes data & tech (jusqu'à 35 personnes). J'aide les organisations à concevoir, industrialiser et gouverner leurs plateformes data et leurs solutions IA — en gardant les mains dans le code.

Discutons de votre projet → Voir les réalisations
stratégie vision · gouvernance architecture data mesh · cloud delivery équipes · dataops production ml · ia · impact mesuré
35collaborateurs managés, 4 pôles
2 M€de budget annuel piloté
300+modèles dbt en production
20 000interventions/sem. optimisées par ML
// expertises

Trois façons de créer de la valeur

Direction, architecture ou delivery : le périmètre s'adapte à votre besoin. Dans tous les cas, je reste capable d'intervenir techniquement — du POC au code de production.

◆

Data & AI Leadership

Direction de département ou de programme : stratégie data-driven, structuration et montée en compétence des équipes, gouvernance des données, conduite du changement et alignement des indicateurs sur les objectifs métiers.

Head of DataDAMA-DMBOK ADKAROKR Team TopologiesAgile/Scrum
⬡

Architecture de solutions

Conception de plateformes data cloud et de solutions applicatives : Data Mesh, architecture medallion, intégration temps réel et event-driven, documentation d'architecture et arbitrages coûts / performance / sécurité.

Azure · GCPSnowflake dbtData Mesh Event-drivenC4 Model Well-Architected
⚙

IA & automatisation

Du modèle ML en production aux agents IA : prédiction, optimisation, LLM & RAG, OCR, automatisation de processus métiers. Industrialisation complète — CI/CD, A/B testing, monitoring.

MLOpsScikit-learn Agents IALLM / RAG Vector DBFastAPI
// réalisations

Clarifier un problème, arbitrer, livrer

Six problèmes complexes, résolus de la conception au résultat. Le détail des architectures vit sur une page dédiée.

01

Optimiser les interventions FTTH à grande échelle

Problème
Planification des techniciens manuelle, ingérable à 20 000 interventions/semaine — délai SAV de 3 jours.
Diagnostic
Le délai ne venait pas d'un manque de techniciens, mais de l'affectation manuelle et des secondes visites évitables.
Décision
Plutôt qu'un modèle de prédiction parfait, une chaîne plus simple mais industrialisable et adoptée par le terrain.
Impact
Délai SAV ramené de 3 jours à 1-2 jours, planification opérationnelle automatisée.
Voir l'architecture →
02

Créer une vérité commune : la fonction Data

Problème
Aucune fonction data : chaque équipe produisait ses chiffres, sans vérité commune pour décider.
Diagnostic
Le problème n'était pas le reporting mais l'absence de source unique de référence.
Décision
Imposer une approche SSOT dès le départ, plus exigeante politiquement mais seule voie vers une vérité partagée.
Impact
Analytique adoptée par 5 000 utilisateurs, 500+ rapports, fondation d'un département de 35 personnes.
Voir l'architecture →
03

Répartir 3 M€ sous contrainte légale : la NAO

Problème
Répartir une enveloppe de part variable de 3 M€ sur 3 500 collaborateurs, sous contrainte réglementaire et de délai.
Diagnostic
Le risque réel n'était pas le calcul mais la confidentialité des données salariales sous pression de temps.
Décision
Sécurité et délai d'abord : chiffrement et habilitations par strate, périmètre fonctionnel ensuite.
Impact
3 M€ répartis dans les délais, accès cloisonnés et tracés, processus conforme.
Voir l'architecture →
04

Lancer un SaaS IA avec des moyens limités

Problème
Créer une activité IA et un produit SaaS de zéro, avec des ressources limitées.
Diagnostic
Les coûts cloud et les dépendances technologiques pouvaient tuer le projet avant toute traction.
Décision
Une infrastructure auto-hébergée et open source plutôt que des services managés : maîtrise des coûts et des données.
Impact
SaaS en production, architecture à agents IA opérationnelle, équipe autonome.
Voir l'architecture →
05

Sortir l'équipe data du goulot d'étranglement

Problème
L'équipe data centrale, traitant toute la demande, bloquait l'ensemble de l'entreprise.
Diagnostic
À cette échelle, la centralisation ne tenait plus : il fallait rendre les domaines autonomes.
Décision
Évolution vers le Data Mesh : ownership par domaine, équipe centrale recentrée sur les pipelines.
Impact
D'une à plusieurs équipes propriétaires, 300+ modèles dbt, conception d'indicateurs en self-service.
Voir l'architecture →
06

Moderniser un moteur financier opaque

Problème
Un moteur de consolidation financière legacy, rigide et lent, aux règles de calcul inconnues — sous délai.
Diagnostic
Avant de moderniser, il fallait rétro-documenter une boîte noire pour garantir l'exactitude.
Décision
Fiabilité d'abord, performance ensuite : rétro-engineering des règles avant toute réécriture.
Impact
Moteur en production, latence inférieure à la minute, règles documentées.
Voir l'architecture →

Ce que 10 ans de data m'ont appris

  1. Les meilleurs arbitrages se prennent au plus près du terrain et des utilisateurs.
  2. La simplicité est la forme la plus aboutie d'une architecture.
  3. Une solution n'a de valeur que lorsqu'elle est réellement adoptée par les métiers.
  4. La transformation data repose davantage sur l'organisation et la gouvernance que sur la technologie.
  5. Les équipes performantes se construisent par la confiance, l'autonomie et la montée en compétence.
  6. Le succès d'un projet se mesure à son impact durable sur l'activité.
// méthode

Un pipeline, du besoin à l'impact

Chaque mission suit la même logique qu'un pipeline data : des étapes claires, testées, qui ne livrent en aval que ce qui a été validé en amont.

01

Comprendre

Audit du besoin, écoute terrain, cartographie de l'existant et des irritants métiers.

discovery · double diamond
02

Concevoir

Architecture cible, arbitrages technologiques, gouvernance et trajectoire de migration.

c4 model · well-architected
03

Prouver

POC ciblé sur le cas d'usage à plus forte valeur, critères de succès mesurables. En sortie : décision go/no-go — ROI, conformité, build vs buy.

mvp · a/b testing · go/no-go
04

Industrialiser

CI/CD, tests, qualité de données, documentation : du prototype au produit fiable.

dataops · mlops
05

Transmettre

Montée en compétence des équipes, rituels, autonomie — la valeur reste chez vous.

adkar · mentoring
// parcours

10 ans entre data, IA et leadership

Les entreprises sont anonymisées — références et détails disponibles en échange direct.

Data Architect / Data Engineer

Groupe industriel international (électronique) · 2025 – 2026

Mission technique volontaire : moteur de consolidation financière temps réel, pipelines dbt/Snowflake, standards de gouvernance et coordination d'équipes externes.

Data & AI Lead

Structure indépendante (SaaS) · 2025

Pilotage d'une activité data & IA de A à Z : équipe de 6, ERP SaaS à agents IA, infrastructure complète auto-hébergée.

Responsable Département Data & Développement

Opérateur télécom national · 2022 – 2024

Département de 35 personnes en 4 pôles, budget ~2 M€. ML en production, smart applications, architecture Data Mesh et plateforme data groupe unifiée.

Head of Data

Opérateur télécom national · 2019 – 2022

Création du pôle Data from scratch : équipe de 16, architecture on-premise (datalake, DWH, datamarts), gouvernance, évangélisation data auprès des unités opérationnelles.

Data, BI & développement analytique

Télécom, conseil & voyage d'affaires · 2015 – 2019

Développement Python/R/VBA, automatisation de rapports, simulations métiers, dashboards BI et gestion de projets analytiques.

Master 2 — Sciences des Organisations

Université Paris-Dauphine · MBA en échange Erasmus (Vienne)

Langues

Français (bilingue) · Arabe (natif) · Anglais (professionnel)

// contact

Un projet data ou IA en tête ?

Disponible pour de nouvelles opportunités — direction data, architecture de solutions, transformation digitale ou conception de solutions IA. Basé en région parisienne, interventions en France et à l'international.

salmen.khemir@gmail.com LinkedIn ↗