Vous prenez la responsabilité technique de la plateforme data de LivingPackets - une base existante qui nécessite une refonte pour accompagner les enjeux à venir. Votre mission : reconstruire une plateforme data robuste, scalable et orientée produit, capable de soutenir la croissance et les ambitions d'innovation de l'entreprise. MISSION La plateforme data existe mais elle doit être repensée pour supporter la montée en charge des événements IoT, des besoins analytiques plus sophistiqués, une gouvernance à renforcer, et une équipe Produit/Innovation qui a besoin de réponses rapides à partir des données. Votre rôle couvre trois axes : - Refondre et industrialiser - architecture data warehouse, pipelines, gouvernance, performance - Rendre la donnée exploitable - transformation, qualité, accessibilité pour Produit et Innovation - Anticiper - FinOps, scalabilité, intégration de l'IA dans les workflows data POURQUOI CE RÔLE EST INTÉRESSANT - L'IA comme levier central : LivingPackets intègre activement l'IA générative dans ses pratiques d'ingénierie. Sur la data, cela signifie : génération et optimisation de pipelines assistés, détection d'anomalies, documentation automatisée, exploration augmentée. Ce rôle implique de piloter cette intégration, pas seulement d'en bénéficier - Sources de données riches et hétérogènes : événements IoT en temps réel (géoloc, capteurs, états de shipments), données transactionnelles multi-services, données opérationnelles - une diversité de sources que peu de plateformes offrent - Chantier d'architecture structurant : une plateforme à mi-chemin, avec des fondations à repenser et des choix structurants à faire pour les 3 prochaines années - Impact direct sur les décisions Produit et Innovation : votre travail se traduit en features, en arbitrages, en roadmap - Rôle de Tech Lead : encadrement technique et coaching de l'équipe Data Analysts en place, en lien direct avec le Head of Engineering - Organisation à décisions rapides : peu de niveaux hiérarchiques, POC encouragés, arbitrages directs IMPACT & RESPONSABILITÉS CLÉS Architecture & performance du data warehouse Objectif : une plateforme qui tient à l'échelle et qui coûte ce qu'elle doit coûter - Concevoir et faire évoluer l'architecture data warehouse (modélisation Bronze/Silver/Gold, partitionnement, stratégie de stockage) - Optimiser les performances des pipelines et des requêtes : plans d'exécution, indexing, matérialisation - chaque requête lente est un coût et une friction pour les utilisateurs - Piloter le FinOps data : suivi de la consommation, optimisation des coûts de stockage et de compute, alerting sur les dérives - Mettre en place le monitoring et l'alerting des pipelines : détection de défaillances, SLA de fraîcheur, notification proactive avant que les utilisateurs ne remontent le problème Pipelines & transformation de la donnée Objectif : des données fraîches, fiables et prêtes à l'emploi - Concevoir et maintenir les pipelines de bout en bout : ingestion, transformation, enrichissement, agrégation - Intégrer les sources hétérogènes : événements IoT temps réel, PostgreSQL des services Backend - Construire les modèles SQL/dbt pour les usages analytiques Produit, Innovation, Clients et reporting interne - Garantir la qualité de la donnée à chaque étape : tests automatisés, règles de validation, traçabilité des anomalies Gouvernance & data management Objectif : une donnée qu'on peut expliquer, auditer et faire confiance - Mettre en place la gouvernance data : ownership des datasets, data catalog, dictionnaire de données, lineage graphes - Assurer la conformité RGPD : pseudonymisation, anonymisation, gestion des PII dans les pipelines, politiques de rétention - Définir et faire respecter les standards de qualité et de documentation de la plateforme - Former et guider l'équipe Data Analysts existante sur les bonnes pratiques et les outils de la plateforme Consommation de la donnée & impact Produit/Innovation Objectif : rendre la donnée accessible et activable par toutes les équipes consommatrices - Collaborer avec l'équipe Produit pour comprendre les besoins analytiques et prioriser les chantiers data en conséquence - Travailler avec l'équipe Innovation pour identifier les données pertinentes pour les cas d'usage IA/ML (détection d'anomalies, prédiction, NLP sur données opérationnelles) - Mettre à disposition des équipes techniques internes des datasets fiables pour l'amélioration continue : suivi de la qualité firmware, analyse des comportements IoT, détection de régressions en production - Outiller les équipes support client avec les données nécessaires à l'accompagnement de la transformation logistique :