Lead data engineer Databricks

Dans le cadre d’un programme de replatforming B2C, une organisation internationale construit une Data Platform centralisée à l’échelle mondiale, aujourd’hui fragmentée. L’objectif est de mettre en place une plateforme cloud-native, data-centric et scalable, au service des équipes data de plusieurs géographies, notamment la France, la Belgique et l’Australie.

Le Core Model du programme repose sur un modèle de données unifié couvrant notamment les données clients, contrats et facturation. Le Lead Data Engineer intervient comme référent technique de la data platform, avec une responsabilité complète sur l’architecture, le delivery et la qualité des données.

Stack technique

• Data Platform : Databricks (lakehouse), Amazon S3, Amazon Managed Apache Flink
• Gouvernance des données : Unity Catalogue, Collibra
• Visualisation : Power BI
• Cloud : AWS
• Streaming : Confluent Kafka
• Langages : Python, SQL
• IA & coding : GitHub Copilot, Claude Code, outils LLM
• Collaboration : Jira, Confluence, SonarQube

Missions principales

Stratégie & Architecture Data
• Définir l’architecture de la data platform greenfield (lakehouse, zones bronze/silver/gold, data contracts)
• Co-construire le Core Data Model commun aux différentes géographies tout en intégrant les spécificités locales
• Mettre en place la gouvernance des données, la qualité et l’observabilité
• Répondre aux besoins analytiques et fonctionnels des équipes métier via une approche de type catalogue as a service

Leadership & Delivery
• Être le référent technique data du programme
• Choisir les partenaires et structurer une feature team de 5 à 6 personnes
• Assurer la responsabilité end-to-end des pipelines, de l’ingestion à la restitution
• Gérer le monitoring, la performance et l’optimisation FinOps des workloads data
• Mettre en place les pratiques DataOps : automatisation des tests, CI/CD data, infrastructure as code

IA & Vélocité
• Exploiter GitHub Copilot, Claude Code ou équivalents pour accélérer le développement des pipelines et modèles
• Intégrer des cas d’usage IA/ML dans la data platform, incluant data science, feature store et jeux de données prêts pour les LLM
• Automatiser la génération de code, les tests de qualité des données et la documentation
• Conserver la maîtrise technique tout en augmentant la vélocité grâce à l’IA