Principal Engineer, Data Platform

Description de poste – Ingénieur principal de plateforme de données Aperçu du Rôle / Role Overview

Relevant du directeur de la plateforme de données, l'ingénieur principal de plateforme de données est responsable de la construction et de l'exploitation des systèmes de base qui permettent un accès aux données et des analyses fiables, évolutifs et à haute vitesse dans l'ensemble de Mistplay.

Reporting to the Director of Data Platform, the Senior Data Platform Engineer is responsible for building and operating the core systems that enable reliable, scalable, and high‑velocity data access and analytics across Mistplay.

• Infrastructure d’ingestion et de pipeline – construire et maintenir des systèmes d’ingestion évolutifs et fiables pour les sources de données par lots et en continu; mettre en œuvre l’évolution des schémas, les contrats de données et la lignée de bout en bout; contribuer à l’optimisation des calculs et des coûts dans diverses charges de travail.
• Architecture d’entrepôt de données et de Lakehouse – mettre en œuvre et faire évoluer la plateforme de données analytiques de base (entrepôt, lakehouse ou hybride); appliquer des stratégies de couche de stockage, de partitionnement et de modèles d’accès; contribuer aux normes de modélisation des données, à l’optimisation des performances et à l’efficacité des coûts.
• Couche de transformation et d’orchestration – construire et maintenir des pipelines de transformation évolutifs et faciles à maintenir (par ex., dbt, Spark); mettre en œuvre l’orchestration et la gestion des dépendances; appliquer des contrats de qualité des données et des cadres de test à travers la couche de transformation.
• Couche de service et d’accès aux données – mettre en œuvre des systèmes d’accès aux données à faible latence pour les consommateurs analytiques et opérationnels; appliquer des stratégies de mise en cache, de matérialisation et d’API; contribuer aux accords de niveau de service (SLAs) sur la fraîcheur, la cohérence et la performance des requêtes.
• Observabilité et qualité des données – mettre en œuvre la surveillance de la qualité des données, la détection des anomalies et les vérifications de fraîcheur; contribuer aux définitions des objectifs de niveau de service (SLO) pour les données et aux pratiques opérationnelles; participer à la réponse aux incidents et aux analyses post‑mortem pour la fiabilité des données.
• Catalogue de données et découvrabilité – contribuer aux systèmes de gestion des métadonnées; encourager la découvrabilité, la propriété et les normes de documentation des données au sein de votre domaine; soutenir l’accès en libre‑service à des actifs de données fiables et bien compris.
• Outils et évolution de la plateforme – évaluer et intégrer les composants de la plateforme de données (par ex., Spark, dbt, Airflow, Kafka, catalogues de données); contribuer aux migrations et aux améliorations de la plateforme avec une perturbation minimale pour les consommateurs en aval.

• Ingestion & Pipeline Infrastructure – build and maintain scalable, reliable ingestion systems for batch and streaming data sources; implement schema evolution, data contracts, and end‑to‑end lineage; contribute to compute and cost optimization across diverse workloads.
• Data Warehouse & Lakehouse Architecture – implement and evolve the core analytical data platform (warehouse, lakehouse, or hybrid); apply storage layer strategies, partitioning, and access patterns; contribute to data modeling standards, performance tuning, and cost efficiency.
• Transformation & Orchestration Layer – build and maintain scalable, maintainable transformation pipelines (e.g., dbt, Spark); implement orchestration and dependency management; enforce data quality contracts and testing frameworks across the transformation layer.
• Data Serving & Access Layer – implement low‑latency data access systems for analytical and operational consumers; apply caching, materialization, and API strategies; contribute to SLAs on freshness, consistency, and query performance.
• Observability & Data Quality – implement data quality monitoring, anomaly detection, and freshness checks; contribute to data…