Lyuta NAKATA
đź‘‹ Salut!
Je suis Lyuta, Data Engineer
Après 4 ans en contrôle de gestion, j’ai évolué vers le data engineering pour automatiser et fiabiliser des flux de données à grande échelle. Je conçois et déploie des pipelines Big Data (Python, SQL, Spark, Kafka/Redpanda, Delta Lake) et des architectures Cloud (AWS, Docker), avec une expertise en ETL/ELT, orchestration (Kestra, Airflow) et data visualization (Power BI, Grafana).
Mon atout ? Une double compétence : compréhension métier acquise en finance et maîtrise des outils techniques pour transformer la donnée en décisions.
🧑‍💻 À propos
- 🎓 Master Contrôle de gestion + Master Data Engineering
- 💼 4 ans en contrôle de gestion → transition vers la data
- 🚀 Spécialiste ETL/ELT, streaming temps réel, monitoring et pipelines cloud
🛠️ Compétences
- Langages : Python, SQL
- Big Data : Kafka/Redpanda, Delta Lake, MongoDB, PostgreSQL, Snowflake
- Cloud & Conteneurs : AWS (ECS, S3, Lambda, CloudWatch), GCP (BigQuery), Docker, Kubernetes
- Orchestration & ETL : DBT, Kestra, Airflow, Airbyte
- CI/CD & Monitoring : GitHub Actions, Prometheus, Grafana
- DataViz : Power BI
- MLOps (notions) : Feature engineering, entraînement/évaluation, industrialisation (BentoML)
- Langues : Français (natif), Anglais (courant – B2/C1), Japonais (notions)
- Points forts : Vulgarisation auprès des métiers, vision orientée ROI (héritée du contrôle de gestion)
🚀 Projets
Sport Data Solution — ETL streaming d’activités sportives
Objectif: Récompenser l’activité sportive (trajet domicile/travail et extra-professionnel) sous forme de prime + envoyer des Notification Slack pour renforcer l’émulation de l’équipe
Stack: PostgreSql → Debezium → Redpanda/Kafka → PySpark → Delta Lake → Power BI
→ Slack API
Implémentations:
- Ingestion temps réel des données Strava
- Delta lake bronze (données brutes) & gold (données transformées)
- Enrichissement via données RH + calcul des primes via des rêgles d’éligibilités (consumer spark streaming)
- Notifications en live via l’API Slack (consumer Python)
- Dashboard PowerBI pour suivre les indicateurs (taux éligibilité, coût des primes …)
- Monitoring : Prometheus + Grafana (temps de latence, pics, erreurs …)
Impact:
- Latence < 2 s sur notifications
- Calcul automatique des primes et indicateurs visualisable sur PowerBI
- Possibilité de changement des rêgles d’attribution pour recalcul
Energy Weather Data Pipeline
Objectif: Améliorer la fiabilité des prévisions électriques vertes en zones peu couvertes en ajoutant des sources météo semi-amateurs.
Stack: Airbyte → MongoDB Replica Set (AWS ECS) → CloudWatch.
Implémentations:
- Architecture multi-sources (normalisation + contrôles qualité)
- DĂ©ploiement MongoDB en Replica Set (EC2/ECS)
- Monitoring: métriques + logs CloudWatch
- Tests de validation (completeness, duplicates)
Impact:
- Plus de données météo exploitables
- Moins de temps de traitement
- Disponibilité accrue, scalable et sécurisé
RAG Chatbot de recommandation d’évènements
Objectif. Faciliter l’accès aux évènements internes et externes via un assistant intelligent, capable de fournir des réponses contextualisées et personnalisées.
Stack: AWS (S3, Lambda, API Gateway, OpenSearch, DynamoDB, Quicksight, CloudWatch) + Mistral API
Implémentations:
- Ingestion des données OpenAgenda → stockage sur S3
- Lambda : chunking + embeddings, indexation dans OpenSearch
- API Gateway → script RAG connecté à Mistral API pour génération de réponses
- Gestion de l’historique conversationnel + feedback utilisateurs avec DynamoDB
- Analyse des retours utilisateurs via dashboard Quicksight
- Monitoring complet de l’architecture avec CloudWatch
Impact:
- Temps de recherche amélioré
- Satisfaction utilisateur ↑ grâce à des réponses contextualisées
- Scalabilité et résilience grâce à l’architecture cloud-native sur AWS
📬 Contact & liens
- Mon CV : 📄 Télécharger mon CV
- Email : lyuta.nakata@gmail.com
- LinkedIn : https://linkedin.com/in/lyuta
- GitHub : https://github.com/majinlyut
Dernière mise à jour : 2025‑09‑25