Data Engineer Senior - Architecte Data & MLOps – Distribution & F/H Recruteur partenaire

Vos missions
Concevoir et faire évoluer l'architecture de la plateforme data (data lake / lakehouse, pipelines batch et temps réel) sur un environnement cloud (Azure, AWS ou GCP)
Développer et fiabiliser les pipelines d'ingestion et de transformation à grande échelle (Spark, Airflow, dbt, Kafka)
Industrialiser les modèles de machine learning conçus par les data scientists : déploiement, CI/CD, monitoring, gestion du cycle de vie des modèles (MLflow ou équivalent)
Mettre en place les bonnes pratiques de qualité, de gouvernance et de sécurité de la donnée
Optimiser les performances et les coûts de la plateforme
Accompagner les équipes data science, data analyse et métiers, et encadrer techniquement des profils plus juniors

Votre profil
minimum 6 ans d'expérience en data engineering, dont une expérience concrète sur l'industrialisation de modèles ML (MLOps)
Très bonne maîtrise de Python et SQL, et d'un écosystème big data (Spark, Kafka, Airflow, dbt, Snowflake ou Databricks)
Bonne connaissance d'un cloud public, de Docker, Kubernetes, Terraform et des pratiques CI/CD
Sensibilité architecture : capacité à faire des choix techniques structurants et à les défendre
Certifications appréciées : Databricks, AWS/Azure/GCP Data ou ML
Anglais courant
Pourquoi ce poste
Un volume de données et des cas d'usage à fort impact business, une équipe data en croissance et un rôle structurant, avec des perspectives d'évolution vers lead data engineer ou architecte data principal.

Data Engineer Senior 6 Architecte Data & MLOps - Distribution & E-commerce H/F
CDI - Île-de-France (Paris), télétravail partiel - 68-82 K€ fixe + variable et intéressement
L'entreprise
Notre client est un groupe de distribution omnicanal d'environ 5 000 collaborateurs, avec une forte activité e-commerce et des millions de clients. La donnée est au cœur de sa stratégie : personnalisation, prévision de la demande, pricing dynamique, optimisation de la supply chain. Il renforce sa plateforme data et recrute son référent technique pour industrialiser ses cas d'usage de machine learning.