Senior data engineer

OPPORTUNITE : Nous cherchons un.e Data Engineer pour nous aider à tirer toute la valeur des données de mobilité de nos clients. Il s’agit d’une occasion unique de faire partie des premiers employés d’une entreprise innovante qui développe un outil puissant dans un secteur appelé à connaître une croissance exponentielle : la mobilité électrique. La transition vers l’électrique est en marche mais sa réussite nécessite de prendre en compte de nombreux facteurs liés à l’écosystème de l’électrique : données des véhicules, des gestionnaires de flotte, des opérateurs de recharge, des fournisseurs d’énergie sont en perpétuel changement. En parallèle, les entreprises n’ont que peu d’informations sur le comportement réel de leur flotte et la façon dont leurs spécificités sont compatibles avec ce nouvel écosystème. Exploiter efficacement ces données est donc un défi majeur de cette transition que les équipes tech de Nelson relèvent, et notre véritable axe de différenciation face à la concurrence La perspective de ce poste : VP Data, Senior Data Scientist TA MISSION : Pour nos clients, une forte partie de notre valeur ajoutée réside dans notre capacité à traiter, valoriser, enrichir leurs données, en bref : les faire passer de fichiers bruts inexploités à une mine d’or informationnelle. Ton objectif sera de maintenir et renforcer cet avantage compétitif, dans le cadre de notre croissance rapide et des multiples nouveaux défis qui se présentent ⚙️ Industrialiser nos pipelines de traitement de données, orientées produit Tu travailleras sur notre cœur tech : des pipelines de prétraitement orchestrés avec Airflow, construits pour agréger et transformer des données venant de nombreuses sources (constructeurs, télématique, loueurs, opérateurs de recharge, fichiers RH, etc.). Chez Nelson, notre secret sauce consiste en notre capacité à agréger et valoriser des données variées et complexes, sans erreur et en un temps record. Pour cela, nous concentrons nos efforts sur notre pipeline de preprocess. Tu travailleras donc sur ces pipelines de traitement des données, pour les aider à répondre aux enjeux suivants : flexibilité (prise en compte de nouveaux cas d’usage, nouvelles typologies de données, nouvelles features), robustesse, scalabilité. Cela inclut d’emmener de nouvelles fonctionnalités depuis l’expression du besoin jusqu’à la mise en production (ou du moins, la partie de ces fonctionnalités relative au preprocess, main dans la main avec le back !) En outre, nous construisons peu à peu des connecteurs robustes (API, fichiers, SFTP) pour constructeurs, télématique, catalogues de véhicules… L’idée est d’automatiser toutes les étapes du cycle de vie de la donnée, pour que le traitement récurrent soit fluide et fiable. Compléter le pan data de la suite Nelson Contexte. Notre produit historique, Nelson Electrify, est mature : nous avons des clients en production et des flux stables. Nous l’étendons désormais avec deux produits complémentaires, pensés pour le post-transition : Nelson Charge (comprendre et optimiser la recharge) Nelson Total Cost of Ownership (TCO) (projections de coûts réels et car policies ) Ce produit vise à permettre aux entreprises de projeter précisément les coûts réels de chaque modèle de véhicule, sur plusieurs années, en intégrant les dimensions fiscales, sociales, énergétiques et opérationnelles. Il aidera aussi à construire des car policies optimisées, en tenant compte des contraintes internes et des réalités du marché. Cela crée un double défi rare : bâtir des briques neuves “from scratch” pour Charge et TCO, tout en faisant passer à l’échelle un produit déjà solide (Electrify). Ton rôle. Mettre en place le socle data commun qui alimente ces trois produits : ingestion fiable, modèle de données clair, règles de qualité, calculs et exposition propre vers le backend et le frontend : Réfléchir au modèle de données commun (canonique). Que mettre en commun ? Qu’isoler ? Définir clairement ce qu’est un véhicule, une session de charge, un site, un contrat, une facture… pour tous les produits et toutes les sources. Pipelines de preprocess : de la même manière que ce qui est évoqué plus haut, l’enjeu est de mettre en place des pipelines de preprocess permettant d’aboutir à des données utilisables immédiatement par les applications et les APIs. Il s’agit donc de construire progressivement un processing industrialisé, comme nous l’avons fait via Airflow pour Electrify. Briques réutilisables. Tu transformeras les besoins récurrents en bibliothèques internes afin d’accélérer les nouveaux cas d’usage et d’éviter de recoder des fonctions utilisées dans les autres produits. Stack & latitude technique. Tu t’appuieras sur notre stack actuelle (Airflow, FastAPI, PostgreSQL, Cloud Run). Tu pourras aussi la challenger et la compléter en fonction des besoins et goulots d’étranglement réels (orchestration, transformation, stockage, monitoring, coûts). L’objectif n’est pas d’empiler des outils mais de choisir les bons pour livrer plus vite et plus sûr. ⛏️ Développer un ou plusieurs agents IA Nous challengeons et questionnons en permanence nos algorithmes et réfléchissons à de nouvelles approches pour être toujours plus proches de la réalité et de l’optimalité dans nos recommandations. Des chantiers optimisation / machine learning se présentent donc régulièrement. Ton objectif sera donc de mener à bien quelques-uns de ces chantiers, et d’en tirer les conclusions nécessaires aux prochaines étapes. Nous avons en outre identifié des cas d’usage pour lesquels nous aimerions mettre en place nos premiers agents IA. Si le sujet t’intéresse, tu pourras mettre en place ces agents en binôme avec Inès.