Senior Data Engineer / Analytics Engineer

Contexte

Nous accompagnons une société technologique développant une plateforme data au cœur de son produit.

La solution repose sur la collecte, la transformation, l’enrichissement et l’exploitation de volumes importants de données afin de produire des analyses fiables, actionnables et directement exploitables par les équipes internes et les clients.

La data n’est pas un sujet support : elle est au centre du produit, avec des enjeux de volumétrie pouvant aller jusqu’à plusieurs téraoctets chez certains clients.

Dans ce contexte, l’équipe recherche un profil senior capable de renforcer la construction, l’industrialisation et la fiabilisation de la plateforme data, avec un fort niveau d’autonomie sur la modélisation, la compréhension métier et la structuration des besoins.

Le besoin est prévu entre maintenant et septembre / octobre, selon disponibilité du profil.

Finalité du poste

Le consultant interviendra sur la construction, l’industrialisation et l’évolution de la plateforme data.

Son rôle sera de garantir la qualité, la fiabilité, la performance et l’évolutivité des pipelines, mais aussi la pertinence du modèle de données exposé aux équipes produit, tech, sales et customer success.

Le profil attendu doit être capable de partir d’un besoin métier ou produit peu structuré, de poser les bonnes questions, de clarifier les définitions, de challenger les hypothèses et de construire un modèle de données robuste, lisible et exploitable.

L’équipe recherche un profil senior, autonome, capable de prendre des décisions, de structurer un sujet de bout en bout et de ne pas rester uniquement dans une logique d’exécution technique.

Environnement technique

• Python

• Pandas

• SQL

• DuckDB

• PostgreSQL

• DBT

• Athena

• Kestra

• Kubernetes

• Architecture ELT

• Modélisation analytique

• Architecture médaillon

• Environnements PostgreSQL / S3

Missions principales

Data engineering et industrialisation des pipelines

• Concevoir, orchestrer et maintenir les pipelines d’ingestion, de transformation et d’exposition des données.

• Développer et maintenir des traitements en Python et SQL.

• Participer à l’industrialisation des flux ELT.

• Travailler sur des volumes de données importants.

• Optimiser les traitements en termes de performance, coût et consommation mémoire.

• Fiabiliser les traitements pour réduire les risques d’erreur en production.

• Contribuer à l’amélioration des pratiques d’industrialisation : tests, CI/CD, observabilité, documentation.

Analytics engineering et modélisation data

• Faire évoluer le modèle de données avec une approche analytique structurée.

• Définir les bonnes granularités, dimensions, faits, métriques et règles d’historisation.

• Clarifier les définitions métier avec les équipes produit, sales, customer success et tech.

• Challenger les besoins exprimés pour éviter de produire des datasets techniquement corrects mais peu exploitables.

• Structurer des modèles lisibles, maintenables et compréhensibles par les équipes utilisatrices.

• Mettre en place ou améliorer les conventions de nommage, règles de gouvernance et standards de documentation.

• Garantir la cohérence des datasets exposés et leur alignement avec les cas d’usage produit.

Qualité, fiabilité et monitoring data

• Mettre en place des tests et contrôles de qualité de données.

• Identifier, analyser et corriger les anomalies.

• Réaliser des analyses de causes racines.

• Améliorer les mécanismes de monitoring data.

• Définir des alertes pertinentes sur la fraîcheur, la complétude, la cohérence et la qualité des données.

• Documenter les incidents récurrents et créer des runbooks ou guides de debug.

Autonomie produit et cadrage des besoins

• Partir d’un besoin métier ou produit peu détaillé et le transformer en solution data concrète.

• Poser les bonnes questions aux équipes produit et métiers.

• Identifier les zones d’ambiguïté dans les définitions ou les règles de gestion.

• Proposer des arbitrages techniques simples, robustes et maintenables.

• Être capable de prendre des décisions sans attendre un guidage constant.

• Structurer rapidement une approche, expliquer ses choix et avancer de manière autonome.

Collaboration et rôle de référent

• Être un point de contact data pour la squad et l’équipe tech.

• Participer aux arbitrages techniques et fonctionnels liés à la data.

• Accompagner les équipes produit dans la clarification des besoins et des définitions métier.

• Livrer des datasets, modèles ou transformations directement utiles aux équipes internes.

• Mentorer ponctuellement des profils moins seniors si nécessaire.

• Contribuer à l’amélioration des standards data au sein de l’équipe.

Profil recherché

• Minimum 6 à 8 ans d’expérience en data engineering, analytics engineering ou environnement data produit.

• Très bonne maîtrise de Python, Pandas et SQL.

• Solide expérience en modélisation analytique : dimensions, faits, métriques, granularité, historisation.

• Capacité à construire des modèles de données robustes, compréhensibles et exploitables.

• Expérience significative sur des pipelines ELT et architectures data industrialisées.

• Expérience sur DuckDB, PostgreSQL, Athena ou environnements équivalents.

• Bonne compréhension des architectures data modernes : médaillon, S3, PostgreSQL, DBT, orchestration.

• Culture forte de la qualité de données : tests, monitoring, performance, gestion des anomalies.

• Capacité à travailler avec des équipes produit et métiers.

• Excellente autonomie dans le cadrage, la prise de décision et la structuration des sujets.

• Communication claire, capacité à vulgariser et à challenger les besoins.

• Rigueur, sens produit et capacité à évoluer dans un environnement tech exigeant.

Points d’attention importants

Le profil recherché n’est pas uniquement un bon exécutant technique.

L’équipe attend un profil capable de :

• comprendre rapidement un contexte produit ;

• poser des questions pertinentes ;

• challenger un besoin métier ;

• structurer une solution data à partir d’un brief court ;

• prendre des décisions de conception ;

• avancer sans être guidé pas à pas ;

• livrer un modèle de données fiable, lisible et maintenable.

Une expérience forte en analytics engineering / data modeling est donc essentielle.

Informations mission

• Type de mission : freelance / prestation

• Séniorité : senior

• Démarrage : entre maintenant et septembre / octobre

• Durée : à préciser selon besoin

• Environnement : data, produit, SaaS, volumétrie importante

• Stack principale : Python, SQL, Pandas, DuckDB, PostgreSQL, DBT, Athena, Kestra, Kubernetes