Consultant Analytics Engineering - Data Analyst - Freelance

Contexte

Une grande entreprise du secteur ferroviaire souhaite renforcer ses capacités en Analytics Engineering au sein du domaine Client Data.
Ce domaine vise à construire des data products cœur permettant d’enrichir la connaissance client, en valorisant les données issues de différentes sources : parcours digitaux, données transactionnelles, CRM et usages des services digitaux.
L’objectif est de permettre une meilleure compréhension des comportements, des usages et des parcours utilisateurs, mais aussi d’améliorer la communication avec les clients en affinant leur segmentation et leur ciblage.
Dans ce cadre, cette entreprise recherche une prestation en Analytics Engineering afin de cadrer, structurer, fiabiliser et valoriser ces données au service des data products Client Data et des équipes métiers.

Le prestataire interviendra comme référent technico-fonctionnel data du périmètre : au carrefour des enjeux métier, produit et techniques, il devra apporter une lecture experte des données disponibles, de leur qualité, de leurs limites et de leur potentiel d’usage.

Missions

1. Objectifs de la prestation

• Structurer des datasets orientés connaissance client, vision client unifiée et parcours utilisateurs.

• Contribuer à la construction et à l’amélioration continue des data products Client Data.

• Garantir la fiabilité, la cohérence, la traçabilité et la réutilisabilité des données produites.

• Challenger les besoins métier et produit afin de proposer des solutions data robustes, réalistes et exploitables.

• Sécuriser la cohérence fonctionnelle et technique des KPI clés liés à la connaissance client et aux parcours.

• Faciliter l’usage de la donnée par les équipes métiers : produit, marketing, CRM et pilotage de la performance.

• Participer à l’industrialisation et à la standardisation des pratiques analytics.

1. Périmètre de la mission et interactions
   Le prestataire interviendra en collaboration avec les acteurs suivants :

• Product Manager Data

• Product Owner Data / Product Owners Client, Marketing ou Digitaux selon les cas d’usage

• Data Engineers

• Data Analysts

• Équipes métiers : marketing, CRM, produit digital, pilotage commercial

• Data Domain Owners et équipes de gouvernance

1. Activités attendues

3.1. Cadrage et définition des data products Client

• Accompagner la qualification des besoins et des cas d’usage liés à la connaissance client, aux parcours utilisateurs, à la segmentation et aux usages digitaux.

• Analyser les données disponibles, leurs limites, leur qualité et leur potentiel d’usage afin d’orienter la définition du produit data.

• Challenger les besoins métier et produit pour proposer des solutions data robustes, réalistes, maintenables et réutilisables.

• Définir, formaliser et faire valider les KPI client, parcours ou usages, en garantissant leur cohérence fonctionnelle et technique.

3.2. Ownership des modèles de données analytiques Client

• Concevoir, faire évoluer et maintenir des modèles de données analytiques cœur du périmètre Client Data.

• Croiser des sources multiples : transactions, parcours digitaux, CRM, données d’usage et référentiels client.

• Transformer les données brutes ou intermédiaires en datasets fiabilisés, exploitables et réutilisables par plusieurs équipes ou cas d’usage.

• Garantir la cohérence des règles métier, du naming, de la documentation et des conventions de modélisation.

3.3. Qualité, validation et fiabilité des données

• Définir les contrôles de qualité attendus sur les datasets cœur : cohérence, complétude, fraîcheur, stabilité des métriques, intégrité et conformité des règles métier.

• Valider, avec le Product Owner et les parties prenantes concernées, les données livrées par les Data Engineers avant leur mise à disposition produit.

• Identifier, investiguer et contribuer à la correction des anomalies data, en recherchant les causes racines.

• Contribuer au monitoring de la donnée et proposer des actions correctives ou préventives adaptées.

3.4. Collaboration technico-fonctionnelle avec les Data Engineers

• Traduire les besoins produit complexes en exigences data exploitables par les Data Engineers.

• Challenger les choix de structuration des pipelines lorsqu’ils ont un impact sur la qualité, la maintenabilité ou la réutilisabilité des données.

• Contribuer aux décisions de structuration entre modèle source, modèle intermédiaire et modèle exposé au métier.

• Sécuriser l’alignement entre besoin métier, conception data et données effectivement livrées.

3.5. Gouvernance, documentation et lineage

• Porter la documentation des modèles, règles métier, KPI et datasets exposés aux équipes métier.

• Collaborer avec les Data Domain Owners et les équipes Gouvernance sur la qualité, le lineage, la qualification et la lisibilité des données.

• Préparer l’intégration des datasets au Data Catalog en garantissant leur traçabilité et leur niveau de confiance.

• Contribuer à l’amélioration continue des standards de documentation et de gouvernance sur le périmètre Client Data.

3.6. Structuration des pratiques analytics

• Standardiser les pratiques SQL / dbt au sein du périmètre concerné.

• Définir et appliquer des conventions de modélisation, de tests, de documentation et de nommage.

• Partager les standards et bonnes pratiques au-delà du produit lorsque cela est pertinent.

• Participer à la montée en compétence des équipes internes sur les pratiques analytics engineering.

Livrables

• Modèles de données Client documentés et maintenables.

• Datasets fiables et exploitables : vision client, parcours utilisateurs, segmentation, usages.

• KPI client, parcours ou usages définis, validés et documentés.

• Tests, contrôles et indicateurs de qualité des données.

• Documentation technique et fonctionnelle des modèles, règles métier, flux et datasets.

• Éléments de lineage et contribution à la préparation de l’intégration au Data Catalog.

• Recommandations d’amélioration continue sur les modèles, les pratiques analytics et la qualité.

Compétences

• Modélisation de données orientée business.

• SQL avancé et maîtrise avancée de la transformation de données, incluant dbt.

• Capacité à structurer des pratiques de modélisation, de tests et de documentation dans un contexte de montée en maturité.

• Exploration, analyse de données et qualification des besoins métier.

• Data quality, validation et sécurisation de la cohérence des KPI.

• Capacité à faire le lien entre besoin métier, conception data et solution technique.

Compétences clés

Obligatoire

• SQL

• DBT

• Python

Important

• Git

• Qlik Sense