Mission · 2025
Marque santé et cosmétique e-commerce : data foundations
- Secteur
- Santé, cosmétique et e-commerce
- Rôle
- Analytics Engineer
- Année
- 2025
- Employeur
- Hanalytics
- Thèmes
- Analytics engineering
Mise en place des fondations data d'une marque santé et cosmétique e-commerce, pour remplacer des traitements manuels par des pipelines automatisés.
Réalisations
- Besoins métiers recueillis et processus manuels identifiés, point de départ de l'automatisation.
- Extraction multi-sources via Funnel et Airbyte, centralisée dans BigQuery.
- Standard dbt et outillage associé (SQL, Python) livrés à l'équipe.
- Pipelines ELT entièrement automatisés, en remplacement des traitements manuels.
- Data foundations en place sur BigQuery et dbt.
Stack
Repères : DataOps, data product, dbt, ELT, Medallion, ODCS, RLS
- DataOps
- Pratiques d’ingénierie (versionnement, tests, CI/CD, monitoring) appliquées aux pipelines de données.
- Data product
- Jeu de données géré comme un produit : propriétaire identifié, contrat, qualité surveillée et documentation.
- dbt
- Outil de transformation en SQL, versionné et testé, qui construit les tables d’analyse dans l’entrepôt de données.
- ELT
- Charger d’abord les données brutes, puis les transformer dans l’entrepôt, avec la puissance de calcul du cloud.
- Medallion (Bronze, Silver, Gold)
- Organisation des données en couches : brutes (Bronze), nettoyées et historisées (Silver), prêtes pour le métier (Gold).
- ODCS (Open Data Contract Standard)
- Format ouvert qui décrit un jeu de données : champs, types, sensibilité, règles de qualité.
- RLS (Row-Level Security)
- Droits d’accès par ligne : chaque utilisateur ne voit que les données qui le concernent.