Data Engineer

Contexte

Au sein de l'équipe Data & AI d'un grand groupe pharmaceutique international, vous renforcez une équipe produit qui conçoit et opère des solutions data pour accélérer la R&D et les essais cliniques. Vous intervenez sur la conception, la livraison et le run de pipelines de données en production sur une plateforme cloud de grande échelle.

Missions

• Concevoir et implémenter des pipelines end-to-end (ingestion → DWH / Datamart) sur Snowflake avec dbt, Airflow, SQL et Python

• Contribuer à la modélisation DWH/Datamart avec un focus sur la performance des requêtes et l'efficacité des workloads

• Traduire les besoins métier (Product Owners, Data Analysts, Data Scientists) en solutions techniques avec des contrats d'interface clairs

• Mettre en place la qualité de données, l'observabilité et le monitoring (Datadog / Grafana)

• Opérer le run quotidien des flux existants, gérer les incidents et suivre les KPIs opérationnels

• Appliquer les bonnes pratiques CI/CD, versioning, IaC et conteneurisation (GitHub Actions, Terraform, Docker)

• Produire la documentation technique et fonctionnelle, participer aux code reviews

• Contribuer aux pratiques MLOps pour délivrer de la data AI-ready aux applications downstream

Stack technique requise

• Snowflake (data warehousing)

• dbt (transformation)

• Apache Airflow (orchestration)

• Python + SQL

• AWS (cloud de référence, usage production)

• CI/CD : GitHub Actions, Terraform, Docker

• Monitoring : Datadog et/ou Grafana

Nice to have

• Kubernetes / OpenShift

• IICS / Informatica ou ETL équivalent

• Certifications AWS ou Snowflake

• Exposition environnement healthcare / GxP

• ServiceNow, JIRA, Confluence

Conditions de travail

• 📍 Paris — Hybride (3 jours sur site : lun / mar / mer)

• 🗓 Démarrage : ASAP

• ⏳ Durée : 3 mois renouvelable

• 🌐 Anglais requis

1. 5 ans d'expérience minimum en tant que data engineer

2. Snowflake + dbt : maîtrise avancée, expérience en modélisation et transformation en production

3. Apache Airflow : orchestration de pipelines complexes en environnement production

4. Python + SQL : niveau confirmé, écriture de scripts d'ingestion et de transformation

5. AWS : usage production (S3, services managés cloud)

6. CI/CD & IaC : GitHub Actions, Terraform, Docker — bonnes pratiques appliquées en production

7. Monitoring & qualité data : Datadog et/ou Grafana, alerting, tests de données