MateusGetulio

Les équipes de support n’avaient aucune vue commune des clients les plus importants. J’ai construit le système qui les score et les classe automatiquement — du dépôt vide à la production sur AWS en tant que seul ingénieur : moteur de scoring, tâche de classification quotidienne, alertes sur le chat et un tableau de bord avec mode aperçu pour que des non-développeurs puissent ajuster eux-mêmes les seuils. Puis j’ai rédigé le guide, formé les responsables et passé le relais.

Le pipeline de bout en bout quotidien d’une grande plateforme e-commerce ne passait que 4 jobs sur 24 ; une suite instable qui bloque les merges ralentit toute l’équipe. J’ai réécrit les tests pour les nouvelles interfaces, rendu la préparation des données déterministe, corrigé le paiement Stripe et PayPal sur des clones CI éphémères et réparti l’étape sur des exécuteurs parallèles. 24/24 au vert, environ deux fois plus rapide — et c’est resté ainsi.

Chaque mise en production laissait des pages obsolètes — le cache applicatif et le CDN continuaient de servir l’ancienne version. J’ai ajouté un mécanisme de hooks post-déploiement au pipeline blue-green qui purge les caches et invalide CloudFront à chaque mise en production, éliminant totalement cette catégorie d’incidents, et j’en ai profité pour réduire les tempêtes de retry et les files d’attente du pipeline.

Un programme d’e-mails de feedback client tournait à l’aveugle. J’ai construit le tableau de bord : un entonnoir en cinq étapes (éligible → envoyé → cliqué → noté → texte), segmenté par langue, type de message et variante d’expérimentation, alimenté par une tâche quotidienne captant des données que le système source n’enregistrait même pas — puis j’ai retravaillé les métriques avec le product owner jusqu’à ce qu’elles répondent à de vraies questions au lieu d’afficher des totaux.

Celui que vous pouvez lire ligne par ligne. Un CLI en Go qui analyse des livres blancs d’entreprise publics à la recherche de points de douleur récurrents et classe des pistes d’opportunités SaaS avec des citations vers les sources — un pipeline en 13 étapes couvrant découverte, ingestion, embeddings et analyse par LLM. Résolument compliance-first : respecte le robots.txt, ne contourne jamais les paywalls et stocke des résumés plutôt que les documents.