Data Engineer
Summary
Data Engineer based in Papeete, French Polynesia, responsible for designing decisional data models (ODS, DW, datamarts), building ETL pipelines with Talend/Talaxie/Python/dbt, and creating PowerBI dashboards, while leveraging AI tools to enhance data and BI workflows.
Tahiti Numérique est une entreprise du digital basée à Papeete (Polynésie Française). Nos bureaux sont situés non loin du centre-ville, dans un bel immeuble avec une magnifique vue montagne et mer.
Dans le cadre de son développement, Tahiti Numérique recrute un DATA ENGINEER
- Participer aux ateliers de recueil des besoins avec les équipes métier et DSI.
- Élaborer le modèle de données décisionnel (ODS, DW, datamarts, référentiels).
- Concevoir et développer des tableaux de bord (PowerBI, ....)en lien avec les spécifications fonctionnelles.
- Développer des flux ETL pour l’extraction, la transformation et le chargement des données.
- Utiliser les outils ETL Talend, Talaxie, Dbt ou développer directement en Python
- Appliquer les règles de qualité des données (typage, filtrage, historisation, conformité RGPD).
- Documenter les traitements, les modèles et les indicateurs dans les outils collaboratifs.
- Contribuer à la maintenance corrective et évolutive des solutions livrées.
- Utiliser des outils et API IA (Claude Code, LLM, CursorAI...).
Formation & Expérience
- Bac+5 en informatique, data engineering ou équivalent.
- Minimum 3-5 ans d’expérience sur des projets Data, BI ou décisionnels complexes.
- Expérience confirmée dans la mise en œuvre de projets décisionnels ou data.
Compétences techniques
- Modélisation de données pour la BI
- Bases de données : PostgreSQL, SQL Server.
- Développement de flux ETL : Talend, Talaxie, Python, IA
- IA appliquée aux projets data et BI : maîtrise d’outils d’assistance et d’automatisation (LoveAble, CursorAI, ClaudeAI, ChatGPT, GitHub Copilot, outils d’IA générative dédiés à la data)
- IA & Training Models : entraînement de modèles (fine-tuning, modèles sur mesure, RAG, optimisation des prompts, préparation et gouvernance des datasets d’entraînement, pipelines MLOps de base)
- Documentation et gouvernance
- Respect des bonnes pratiques RGPD (anonymisation, pseudonymisation, traçabilité).
Savoir-être
- Rigueur technique et capacité d’analyse
- Autonomie, esprit d’initiative, écoute
- Aisance relationnelle avec les équipes métier et techniques
- Capacité à travailler en mode projet agile
- Qualités rédactionnelles et de documentation
- Maquettes fonctionnelles et modèles de données
- Dictionnaire des indicateurs et documentation projet
- Rapports de suivi d’anomalies et correctifs