About this role
Description de l'entreprise
Talan est un groupe international de conseil et d’expertises technologiques, qui accompagne et accélère la transformation digitale de ses clients par les leviers de la technologie, de la data et de l’innovation.
Depuis plus de 20 ans, Talan conseille et accompagne les entreprises et les institutions publiques dans la définition et la mise en œuvre de leurs projets de transformation et d'innovation en Suisse et à l'international.
Présent sur 5 continents dans 21 pays, le Groupe, certifié Great Place To Work, compte plus de 7000 collaborateurs.
Doté d'un Centre de recherche et d'innovation, Talan met l'innovation au cœur de son développement et intervient dans les domaines des mutations technologiques telles que l'Intelligence Artificielle, la Data Intelligence, la Blockchain, pour servir la croissance des grands groupes et des ETI dans une démarche engagée et responsable.
En plaçant la “Positive Innovation” au cœur de sa stratégie, Talan est convaincu que c’est en étant au service de l’humain que la technologie amplifie son impact sur la société tout entière.
#TalanSuisse
Description du poste
Contexte de la mission
Dans le cadre de l’évolution d’une plateforme Data au sein d’un environnement bancaire, nous recherchons un Data Engineer expérimenté sur Databricks et Microsoft Fabric .
La mission consiste principalement à étendre la couverture fonctionnelle d’une plateforme Data existante en intégrant de nouveaux datasets selon des patterns et standards déjà définis.
L’architecture et le framework étant déjà en place, l’objectif n’est pas de redéfinir la solution, mais de déployer de nouveaux flux de données en respectant les modèles, règles de qualité et processus CI/CD existants .
Missions principales
- Intégrer de nouveaux datasets au sein de la plateforme Data existante.
- Configurer les nouveaux flux selon les patterns et standards établis.
- Développer et adapter les traitements avec PySpark et SQL .
- Définir correctement la modélisation des nouvelles données : dimensions, faits, granularité, clés métiers, SCD1/SCD2, snapshots.
- Configurer les datasets à travers une approche déclarative, notamment via TOML .
- Valider les données selon les règles de qualité et contrats existants.
- Analyser et corriger les anomalies rencontrées lors de l'intégration des nouvelles sources.
- Déployer les évolutions au travers des pipelines CI/CD Azure DevOps .
- Diagnostiquer et résoudre les échecs liés aux quality gates et aux différentes étapes de promotion.
- Comprendre fonctionnellement les données bancaires sources afin de garantir leur bonne intégration dans la plateforme.
Qualifications
Data Engineering
- Solide expérience Databricks
- Maîtrise de Delta Lake
- Bonne connaissance de Unity Catalog
- Connaissance de Change Data Feed
- Très bon niveau en PySpark
- Très bon niveau en SQL
Data Modelling
Capacité à déterminer pour chaque nouveau dataset :
- dimension vs fact ;
- SCD Type 1 vs SCD Type 2 ;
- logique de snapshot ;
- granularité ;
- clés métiers naturelles ;
- règles de transformation et de validation.
CI/CD & DevOps
- Bonne maîtrise d' Azure DevOps
- Expérience de pipelines CI/CD existants
- Compréhension des mécanismes de gates et de promotion par branches
- Capacité à diagnostiquer les erreurs de déploiement
- Une exposition à Databricks Asset Bundles et/ou Terraform constitue un avantage.
Connaissance bancaire
Une expérience du secteur bancaire, idéalement en Private Banking / Wealth Management , est indispensable.
Bonne compréhension de données telles que :
- positions ;
- transactions ;
- Assets under Management (AuM) ;
- Net New Assets (NNA) ;
- booking centers ;
- hiérarchies clients.
La capacité à comprendre fonctionnellement des données provenant d'un Core Banking System est particulièrement importante.
Compétences appréciées
- Expérience avec TOML ou des frameworks Data déclaratifs/config-driven
- Expérience des patterns Auto CDC
- SCD1 / SCD2
- Kafka
- Spark Declarative Pipelines
- Connaissance de Microsoft Fabric
- Expérience de la modélisation dimensionnelle
- Connaissance de la méthodologie Kimball
- Terraform