Descriptif du poste:\nSalaire: 60000 \n Contexte : \nPour un acteur majeur de la distribution alimentaire, dans l'optique de renforcer son équipe Assortiment, vous interviendrez de bout en bout sur toutes les briques du périmètre : modèles de prévision et d'optimisation de l'assortiment, KPI décisionnels, maintien en conditions opérationnelles.\nConcrètement, vous serez amené(e) à : \n* \nDévelopper & maintenir : traiter les tickets selon les rites Agiles : refinement, développements SQL / dbt / Python, correctifs de bugs, tests, recette et déploiement. \n* \nDocumenter & automatiser : garantir une documentation fiable et à jour des pipelines et modèles de données, en tirant parti des outils LLM pour gagner en efficacité. \n* \nAnalyser : produire des analyses et extractions ad hoc, restituées de façon structurée, argumentée et pédagogique auprès des équipes métier. \n* \nAuditer & améliorer : challenger l'existant et proposer des axes d'amélioration : performance, robustesse, alerting. \nVous ferez évoluer les outils sur le fond (performance, automatisation (Airflow), alerting) avec une vraie marge d'initiative.\nCurieux(se) et "touche-à-tout", vous êtes à l'aise pour lire et comprendre une architecture existante et intervenir sur l'ensemble des briques, fonctionnelles comme techniques. Autonome, force de proposition, pédagogue, vous savez vulgariser vos travaux techniques auprès d'interlocuteurs métier tout en gardant une exigence de rigueur sur la qualité des données et des tests.\n\nProfil recherché:\n\n Formation & expérience : \n* \nBac+5 / Master / École d'ingénieur ou d'informatique, spécialisation Data, Analytics ou Business Intelligence (ou expérience équivalente reconnue) \n* \nminimum 3 ans d'expérience en Data Analyse. \n* \nUne expérience dans le secteur du retail / de la grande distribution est un vrai plus. \n Vous maîtrisez impérativement : \n* \nSQL & BigQuery à un niveau avancé : requêtes complexes, optimisation, gros volumes de données. \n* \nPython appliqué à la data : automatisation de pipelines, préparation et nettoyage de données (Pandas / NumPy). \n* \nLa modélisation de données : expérience pratique sur dbt (ou équivalent) pour structurer des modèles analytiques. \n Les + : \n* \nAppétence pour les outils LLM appliqués au développement et à la documentation \n* \nOutils de dataviz (Tableau ou Looker) \n* \nConnaissance de l'écosystème GCP et d'orchestration (Airflow, Docker/Kubernetes) \n* \nInfrastructure as Code & CI/CD (Terraform, Git)