Mission freelance ARCHITECTE DATA / BI

Bonjour,

Pour le compte de notre client, nous recherchons un Architecte Data / BI.

Mettre en place une donnée fiable, robuste et gouvernée, permettant de soutenir la croissance client et de disposer d’une BI performante, maintenable et alignée avec les enjeux métiers.

L’objectif global est de :

• Réaliser un état des lieux complet de l’environnement Data (technique, organisationnel et fonctionnel),

• Identifier les points de faiblesse et les opportunités d’amélioration,

• Définir une vision cible à 3–5 ans (schéma directeur Data),

• Recommander les bonnes pratiques et les outils adaptés, en tenant compte à la fois de l’écosystème Microsoft (Power BI, SQL Server, Azure) et Open Source,

• Aligner la stratégie Data sur la croissance business et les besoins des métiers (Marketing, Facturation, Supply, Procurement).

• 3 principales sources de données :

  • Open Bravo (ERP / gestion opérationnelle)

  • Magento (e-commerce)

  • SAP BI Design (reporting financier)

• Environ 30 tables, avec 500 000 lignes / an chacune (volumétrie modérée mais non négligeable).

• Pas de datamart complet et enrichi, architecture fragmentée.

• Power BI pour le reporting, mais performances dégradées et pas de mise à jour temps réel sur certains indicateurs clés (notamment CA e-commerce).

• Flux SQL complexes et peu optimisés, générant des lenteurs et un risque d’erreur.

• Manque de gouvernance de la donnée (règles de gestion hétérogènes, absence de traçabilité claire du cycle de vie des données).

• Pas d’unicité de la donnée → incohérences possibles entre sources.

• Dépendance forte aux sources brutes, sans couche d’intégration stable (Data Warehouse/Data Lake structuré manquant).

1. Manque de vision globale de l’écosystème Data : absence de cartographie claire des flux, processus, et responsabilités.

2. Architecture sous-optimale : pas de modèle de données central (datamart/warehouse) consolidant les flux multi-sources.

3. Performance Power BI insuffisante : SQL non optimisés, données non préparées, calculs coûteux.

4. Gouvernance et qualité de données à structurer : pas de cadre formalisé de validation, de définition des KPIs ni de dictionnaire de données.

5. Dépendance aux équipes techniques pour chaque évolution de reporting.

6. Pas de benchmark / comparaison sectorielle pour ajuster la stratégie Data à la croissance du groupe.

• Rapport d’audit Data (état des lieux complet, points critiques, volumétrie, architecture actuelle)

• Schéma directeur Data cible à 3–5 ans

• Recommandations techniques (Microsoft & Open Source)

• Feuille de route priorisée (actions court, moyen, long terme)

• Benchmark sectoriel (KPI, modèles de gouvernance, architecture comparée)