Lebenslauf

Zuletzt aktualisiert am 10. Okt. 2022

Joffrey Mayer, Profilbild
PDF

Ausbildung

  • Master in Volkswirtschaft und Data Science, Universität Zürich, 2020
  • Bachelor in Volkswirtschaft und Banking & Fincance, Universität Zürich, 2018

Primäre Interessen: Ökonometrie, Kausale Inferenz, Web Entwicklung
Sekundäre Interessen: Unternehmertum, Maschinelles Lernen, Zeitreihenanalyse, Verhaltensökonomie.

Arbeitserfahrung

Ab 2023

  • Data Science / Data-Engineering bei der SBB, Customer-Experience & Insights Abteilung, Mai 2023 - heute
    • Wartung & Stabilisierung eines produktiven End-to-End (legacy) Datensammlungsystems im Bereich von Kundenzufriedenheit bestehend aus 2 komplexen Umfragen (> 1 Mio. Emails / Jahr und lange Fragebögen mit Ausfülldauern von ca. 10-15min), 9 Datenbankinstanzen und 25 BI-Dashboards (Höchstand von 144 Dashboards per 2024).
      • Die betriebliche Stabilisierung wurde über zwei Jahre hinweg mittels “strangler Fig” Architektur-Patterns und diversen Migrationen erzielt. So konnte beispielsweise kritische Rechenauslastungs-Spitzen von > 60% innerhalb der PowerBI-Cloud im Keim erstickt werden.
      • Priorisierung der Migrationen wurde mittels systematischen Monitoring & Bug-Reports in den verteilten Cloud-Systemen (Umfrage-Software, Snowflake-Pipelines, BI-Pipelines) ermittelt. So konnte die Anzahl an kritischen Fehlern für interne Stakeholder innert einem Jahr um 63% reduziert werden (von 11 auf 4) und somit einen signifikanten Beitrag für höhere Datenqualität gewährleistet werden.
    • Bereitstellung & Weiterentwicklung von diversen Datenpipelines auf verschiedenen Cloud-Platformen wie Snowflake oder die PowerBI-Cloud für interne Stakeholder.
    • Analyse von Daten aus Kundenzufriedenheitsumfragen zu unterschiedlichen Themen, wie Pünktlichkeit, Sicherheitsempfinden am Bahnhof/Zug, WC Verfügbarkeit etc. inklusive Präsentation der Ergebnisse vor Experten-Gremien mit dem Ziel, Verbesserungspotentiale aufzudecken und eine höhere Kundenzufriedenheit zu erzielen.
    • Verwendete Technologien: SQL (Snowflake), Python mit Bibliotheken wie pandas (Datenverarbeitung) oder plotly (Datenvisualisierung), DAX und PowerQuery (Datenverarbeitung in PowerQuery).
    • Versionierung & Kollaboration mittels Git (Bitbucket-Cloud und JIRA-Taskmanagement).

2022

2021

  • Data Science Praktikum bei der SBB, Energieabteilung, Apr. 2021 - Dez. 2021
    • Entwicklung eines Cloud-kompatiblen und modularen Python-Frameworks, das es dem SBB-Trading Desk ermöglicht - über eine API - Prognosen über zukünftige (stündliche) Energiepreise abzufragen. Die Vorhersagen wurden durch unser eigenes Zeitreihenmodell erstellt, das täglich mit den aktuellsten trainiert werden kann.
      • Phase 1: Aneignung von Expertenwissen durch die SBB-Stakeholder und verschiedene Studien, sowie das Erlernen vom Arbeiten in der SBB-Cloud-Umgebung (OpenShift).
      • Phase 2: Explorative Analyse unseres Datensatzes, um die Verlässlichkeit unserer Daten zu überprüfen.
      • Phase 3: Testen verschiedener Modellierungsstrategien, indem wir unsere Prognosemodelle statistisch verglichen.
      • Phase 4: Akribische Dokumentation der Projektergebnisse und -schritte.
    • Verwendete Technologien: Arbeiten mit Python in einer Zeitreihenumgebung unter Verwendung von Bibliotheken wie sktime oder prophet.
    • Versionierung der Dateien via Git & Bitbucket.

Datenanalysen

The 12.7 Million Dollar Question: What is the Effectiveness of Crime Prevention in New York City?
Unter Verwendung aggregierter monatlicher Kriminalitätsdaten finden wir, dass das $ 12,7 Mio. Programm die Waffenkriminalität in den behandelten Gebieten erfolgreich reduziert hat, insbesondere bei Personen unter 25 Jahren.

Predicting Football Matches with a Neural Network (mit L.M. Breitenmoser)
Mithilfe eines neuronalen Netzes versuchen wir, Spiele (Sieg, Unentschieden, Niederlage) in den vier größten europäischen Ligen der letzten 14 Saisons vorherzusagen. Mit Hilfe der Daten, die vor jedem Spiel verfügbar sind, können wir 54 Prozent aller Ergebnisse richtig vorhersagen.

France’s Economy during the Interwar Period
Ich habe empirisch untersucht, ob Frankreichs Wirtschaft während der großen Depression (1929) tatsächlich aufgrund der in der Literatur diskutierten möglichen makroökonomischen Ursachen zusammengebrochen ist.

An Empirical Analysis of the Formation of Sport Preferences in Switzerland; with a Focus on Inter- and Intragenerational Factors
Anhand von Discrete Choice Methoden & mittels K-Nearest Neighbour Matching habe ich die Sportpräferenzen der Menschen im Laufe ihres Lebens untersucht.

Professoren in der Westschweiz
Eine Analyse der Entwicklung der Universität Lausanne über einen Zeitraum von 114 Jahren (1800-1914).

Fähigkeiten

Computer

  • IDEs: VS Code, PyCharm, R
  • Programmierung: R, Python, Matlab
  • Design: LaTeX, Markdown, CSS
  • Cloud: Github, Bitbucket, VTX, HostPoint
  • Deployment: Netlify
  • Andere: Git, SQL, Unix, Docker

Sprachen

  • Deutsch (Muttersprache)
  • Französisch (Muttersprache)
  • Englisch (fliessend)
  • Italienisch (ausreichend für Gespräche)

Referenzen

  • T. Mayer, Audiophil-Dreams
  • N. Riahi & P. Wenk, SBB
  • R. Winkelmann, Universität Zürich
  • U. Woitek, Universität Zürich
  • D. Gassmann, Einführung ins Programmieren
  • Ebenso wie jede anonyme, großartige Person im Internet, von der ich gelernt habe!

Contact