Rejoins happn et participe à la révolution du dating !
Chez happn, on croit que l’amour peut être aussi spontané et authentique qu’une rencontre dans la vraie vie. Grâce à notre technologie innovante de géolocalisation en temps réel, on permet aux célibataires de retrouver celles et ceux qui partagent leur quotidien, leurs habitudes et leurs lieux préférés. Depuis 2014, plus de 160 millions de personnes dans le monde ont rejoint l’aventure, avec une forte présence en Europe de l’Ouest, Amérique du Sud, Turquie et Inde. En France, plus de 14 millions d’utilisateur·rice·s ont déjà téléchargé l’application.
Fais partie d’une aventure qui peut changer des vies et dessine l’expérience dating de demain.
Chez happn, on célèbre la diversité. On te propose des opportunités égales, peu importe ton origine, ton genre, ton orientation sexuelle, ton identité ou ta situation personnelle. On est engagé·e·s à créer un environnement où chacun·e peut s’épanouir, de ton recrutement à ta formation, en passant par ta promotion et ta rémunération.
Nous recherchons un.e Data Engineer passionné.e par la conception de pipelines de données robustes et performants.
Vous intégrerez une équipe Data pluridisciplinaire, dynamique et collaborative, composée de Data Scientists, Data Engineers, BI Specialists et Analysts.
Nous encourageons la prise d’initiative, l’innovation et la proposition de nouvelles idées pour faire progresser notre produit et notre plateforme data.
Missions principales
Conception et construction de pipelines de données :
Concevoir, développer et maintenir les flux d’ingestion et de transformation de données (ETL / ELT) en mode batch ou temps réel.
Connecter diverses sources de données (API, bases de données relationnelles/NoSQL, outils SaaS, fichiers) vers l’entrepôt de données
Mettre en place des flux Reverse ETL résilients et monitorés (par exemple, alimenter le back-end et le CRM avec les modèles de scoring, la segmentation client et les alertes de fraude)
Architecture et stockage :
Modéliser et optimiser les schémas de données pour l’analyse (Data Modeling, Star Schema, Lakehouse).
Assurer la performance des requêtes et la scalabilité de l’infrastructure cloud.
Déployer et maintenir des applications métiers sur mesure (ex. Streamlit) pour répondre aux besoins opérationnels des équipes Data et transverses.
Qualité, DataOps et Sécurité :
Mettre en place des tests automatisés de qualité des données (Data Quality) et surveiller la bonne exécution des pipelines (monitoring, alerting).
Garantir la sécurité, la conformité (RGPD) et la gouvernance des données (gestion des accès, traçabilité / lineage).
Industrialiser les processus via des pratiques DevOps (Git, CI/CD, Infrastructure as Code).
Maîtriser les coûts Plateforme : partitionnement, clustering, optimisation des requêtes et des scans, optimisation de la plateforme Data Engineering dans sa globalité
Accompagner les équipes Analytics, Finance, Marketing et Produit sur leurs besoins data, et participer aux choix d’architecture.
Stack technique
Cloud : Google Cloud Platform (GCS, Secret Manager)
Data warehouse : BigQuery
Orchestration : Airflow 2/3 sur Cloud Composer
Traitement à fort volume : Dataflow
Bases de données : BigQuery, ClickHouse, PostgreSQL, Qdrant
Hébergement d’apps : Kubernetes, Docker
IaC : Terraform
Langages : Python, SQL (dialecte BigQuery)
CI/CD : Google Cloud Build, Git / GitHub, sbt, Maven
Qualité de code : pytest, coverage, black, sqlfluff, pre-commit
Sources clés : Adjust, Meta, TikTok, Snapchat, Google Ads, stores iOS / Android, microservices internes
Destinations : back-end happn, CRM
Restitution : Tableau, Streamlit, ClickHouse, Superset
Machine Learning : Vertex AI
It’s a Crush si :
5 ans minimum d’expérience en data engineering, DataOps ou DevOps orienté data
Très bonne maîtrise de Python et SQL, et à l’aise avec le shell et Linux
Très bonne maîtrise de Java, Scala
Expérience solide en CI/CD (Cloud Build, GitHub Actions ou équivalent) : tests automatisés, déploiements, gestion des environnements dev / preprod / prod
Maîtrise des conteneurs (Docker) et connaissance de Kubernetes (cluster, workload, pod) : déployer une app, diagnostiquer un pod en erreur
Expérience de l’exploitation de pipelines en production : orchestration (idéalement Airflow), monitoring, alerting, gestion d’incidents et post-mortems
Culture de l’observabilité et de la qualité de donnée : SLA de fraîcheur, tests de données, détection d’anomalies
Expérience d’un cloud public, idéalement GCP (BigQuery, GCS, IAM, Secret Manager), et sens du coût (FinOps)
Réflexe d’automatisation : tout ce qui est fait deux fois à la main devient un script ou un job
Capacité à échanger avec des équipes non techniques et avec les équipes infra / back-end ; français et anglais
Infrastructure as Code : Terraform
Les petits plus :
Expérience de Dataflow / Apache Beam ou Pub/Sub pour le streaming
Outils de data quality et d’observabilité (Great Expectations, Monte Carlo, Elementary ou équivalent) et de monitoring (Grafana, Prometheus, Cloud Monitoring)
Expérience dans une app B2C à fort volume
In short
Founding year
2014
Employees
85
Average age
34
Gender
40%
60%