Description du projet
TraduitNos données sont éparpillées partout, juste pas au même endroit. Les ventes dans le CRM, les commandes dans la facturation, les dépenses publicitaires dans les tableaux de bord de la plateforme, les événements produits dans des analyses séparées, et la finance garde ses propres tableurs. Chaque fois qu'une question simple se pose — combien avons-nous réellement gagné d'une campagne spécifique ou quels clients sont partis le trimestre dernier — un analyste passe deux jours sur des exports, fait correspondre manuellement les identifiants et espère que les sommes s'additionnent. Nous voulons arrêter cela. L'objectif du projet est un seul entrepôt de données cloud, Snowflake ou BigQuery, qui devient une source de confiance pour toutes les requêtes.
Nous recherchons un ingénieur qui concevra et construira l'ensemble du pipeline de A à Z. Cela commence par le chargement : chaque source doit être intégrée dans l'entrepôt selon un calendrier fiable — via des connecteurs prêts à l'emploi ou par exportation personnalisée là où il n'y a pas de connecteur — avec une gestion soigneuse des chargements incrémentiels et de l'historique des changements. Au-dessus de la couche brute, les données doivent être correctement organisées à l'aide de dbt : modèles de staging qui nettoient et standardisent chaque source, modèles intermédiaires avec jointures et dé-duplication, et marts clairs qui parlent le langage des affaires. Les tests, la documentation et le contrôle de version font partie du livrable, pas quelque chose à faire plus tard, afin que les transformations soient transparentes et puissent être modifiées en toute sécurité.
La dernière partie est une couche sémantique avec des définitions convenues des indicateurs clés : revenus, utilisateurs actifs, marge, rétention — afin que le même nombre signifie la même chose dans tous les rapports. Ensuite, nous devons connecter notre outil BI à ces modèles préparés et assembler plusieurs tableaux de bord de démarrage qui prouvent que l'entrepôt fonctionne et donnent à l'équipe d'analytique une base pour un développement ultérieur. Veuillez décrire votre approche de modélisation, comment vous allez maîtriser les coûts et à peu près combien de temps prendra la construction initiale.
— Sources éparpillées : CRM, facturation, tableaux de bord publicitaires, événements produits, tableurs financiers
— Entrepôt : Snowflake ou BigQuery, votre recommandation avec justification
— Modèles dbt avec tests, documentation et contrôle de version
— Couche sémantique avec définitions d'indicateurs convenues
— Connexion BI et plusieurs tableaux de bord de démarrage
Nous recherchons un ingénieur qui concevra et construira l'ensemble du pipeline de A à Z. Cela commence par le chargement : chaque source doit être intégrée dans l'entrepôt selon un calendrier fiable — via des connecteurs prêts à l'emploi ou par exportation personnalisée là où il n'y a pas de connecteur — avec une gestion soigneuse des chargements incrémentiels et de l'historique des changements. Au-dessus de la couche brute, les données doivent être correctement organisées à l'aide de dbt : modèles de staging qui nettoient et standardisent chaque source, modèles intermédiaires avec jointures et dé-duplication, et marts clairs qui parlent le langage des affaires. Les tests, la documentation et le contrôle de version font partie du livrable, pas quelque chose à faire plus tard, afin que les transformations soient transparentes et puissent être modifiées en toute sécurité.
La dernière partie est une couche sémantique avec des définitions convenues des indicateurs clés : revenus, utilisateurs actifs, marge, rétention — afin que le même nombre signifie la même chose dans tous les rapports. Ensuite, nous devons connecter notre outil BI à ces modèles préparés et assembler plusieurs tableaux de bord de démarrage qui prouvent que l'entrepôt fonctionne et donnent à l'équipe d'analytique une base pour un développement ultérieur. Veuillez décrire votre approche de modélisation, comment vous allez maîtriser les coûts et à peu près combien de temps prendra la construction initiale.
— Sources éparpillées : CRM, facturation, tableaux de bord publicitaires, événements produits, tableurs financiers
— Entrepôt : Snowflake ou BigQuery, votre recommandation avec justification
— Modèles dbt avec tests, documentation et contrôle de version
— Couche sémantique avec définitions d'indicateurs convenues
— Connexion BI et plusieurs tableaux de bord de démarrage
Autre / Divers Espèces, Virement bancaire
