Job Vacancy Lead Data Cloud Azure Senior

Le client a mis en place une plateforme de données moderne basée sur Azure(Synapse, Data Factory, Data Lake, Power BI) pour soutenir les analyses et le reporting à l'échelle de l'entreprise. Suite à une forte expansion de l'activité, la plateforme doit désormais évoluer vers un socle de données plus évolutif, industrialisé et résilient, permettant des analyses avancées et préparant les futurs cas d'usage de l'IA.

La fonction Data fonctionne selon un modèle de livraison hybride, combinant une équipe interne restreinte et des partenaires externes. Alors que l'équipe interne définit la stratégie des données, la gouvernance et la vision de la plateforme, une part importante des activités actuelles de construction (build) et d'exploitation (run) est prise en charge par des partenaires externes (AMS et livraison par projet

Danc se contexte, nous recherchons, un Ingénieur de Données Azure Senior / Lead pour s'approprier progressivement la plateforme de données. Ce rôle combine l'ingénierie pratique (hands-on), l'architecture de plateforme et le leadership de livraison, avec un accent particulier sur le renforcement des compétences internes et la réduction de la dépendance vis-à-vis des partenaires externes au fil du temps

Il s'agit d'un rôle transformationnel et de terrain (hands-on), nécessitant la capacité d'opérer dans un environnement partiellement externalisé tout en menant l'industrialisation, la fiabilité et l'appropriation à long terme de la plateforme.

Responsabilités clés

1. Propriété et architecture de la plateforme de données

·       Détenir et piloter l'évolution de la plateforme de données Azure, en définissant les normes d'architecture, les modèles de données et la feuille de route technique alignés sur les besoins de l'entreprise et les ambitions futures en matière d'analyse et d'IA.

·       Agir en tant qu'autorité de conception, en garantissant l'évolutivité, la performance, l'efficacité des coûts et la standardisation à travers toutes les entités et domaines de données.

2. Ingénierie des données pratique et construction de la plateforme

·       Concevoir, construire et optimiser des pipelines de données et des produits de données évolutifs dans Azure (Data Factory, Synapse, Data Lake), en établissant des normes d'ingénierie et des frameworks réutilisables.

·       Prendre directement en charge les développements critiques (pipelines complexes, optimisation des performances, composants architecturaux), tout en guidant et validant les implémentations livrées par les partenaires.

3. Gestion de l'AMS et de la livraison

·       Piloter et challenger le partenaire de services de gestion d'applications (AMS), en garantissant la qualité de la livraison, le respect des normes et l'amélioration continue des services.

·       Définir les priorités, passer en revue les livrables et piloter le transfert de connaissances afin de réduire progressivement la dépendance vis-à-vis des partenaires externes.

4. DataOps, gouvernance et fiabilité de la plateforme

·       Établir et faire respecter les pratiques DataOps (CI/CD, tests, surveillance, alertes) pour industrialiser et stabiliser la plateforme.

·       S'assurer que la gouvernance des données, la qualité des données et les normes de sécurité sont appliquées de manière cohérente dans l'ensemble de l'écosystème de données.

Objectifs et résultats clés (OKR)

Priorités immédiates

·       Monter en compétences sur la plateforme de données Azure et sécuriser le transfert de connaissances depuis les partenaires actuels.

·       Évaluer et rationaliser l'architecture de données, les pipelines et les outils existants.

·       Stabiliser et renforcer le Datahub du Groupe (Synapse, Data Lake, ensembles de données Power BI).

·       Soutenir les initiatives critiques en améliorant la fiabilité et l'évolutivité des pipelines de données.

Objectifs à moyen terme

·       Développer le Datahub du Groupe avec des ensembles de données standardisés et certifiés à travers les entités.

·       Améliorer les performances et l'accessibilité des données pour les analyses et le reporting.

·       Industrialiser les processus d'ingestion, de transformation et de déploiement des données.

·       Réduire le délai de mise à disposition des données et améliorer la résilience de la plateforme.

Objectifs stratégiques

·       Préparer la plateforme de données pour les analyses avancées et les futurs cas d'usage de l'IA.

·       Améliorer la qualité, la lignée (lineage) et l'accessibilité des données dans toute l'organisation.

·       Contribuer à l'évolution vers une plateforme de données moderne et évolutive (par exemple, Fabric, Databricks).