data engineer

Construction et maintenance des pipelines de données — ETL/ELT, data lake, Spark, orchestration Airflow/dbt.

Secteurs — Numérique, Banque, Retail

Employeurs — scale-ups, GAFA, banques, assurances

Pour commencer — data engineer junior

Ensuite — senior data engineer, data architect

Déploiement et maintenance des modèles ML en production — MLOps, monitoring, feature store, CI/CD ML.

Secteurs — IA, Numérique

Employeurs — scale-ups IA, GAFA, ESN spécialisées

Pour commencer — MLOps engineer junior

Ensuite — senior MLOps, platform engineer IA

Construction de datawarehouses, dashboards et solutions analytiques pour les équipes métier.

Secteurs — Numérique, Conseil

Employeurs — grands groupes, consultants, ESN

Pour commencer — ingénieur BI junior

Ensuite — lead BI, data architect

Rythme soutenu avec des pics lors des migrations d'infrastructure ou des incidents de pipeline. Les données ne dorment jamais : un flux qui casse la nuit peut nécessiter une intervention rapide, surtout dans les entreprises en continu. Beaucoup de temps passé en résolution de bugs silencieux qui cassent les analyses en aval.

Forte autonomie technique sur l'architecture et les choix d'outils, mais dépendance aux demandes des data scientists et analystes qui utilisent tes pipelines. Tu construis pour les autres, rarement pour toi-même. Les orientations stratégiques (cloud, budget, sécurité) viennent souvent d'en haut.

Collaboration quotidienne avec data scientists, analystes, product managers et devs backend. Beaucoup d'échanges asynchrones (Slack, tickets) et de documentation écrite. Les réunions servent surtout à débloquer des incompréhensions sur les besoins ou les formats de données. Peu de contact client final.

Travail à distance fréquent, souvent en full remote selon les boîtes. Écrans multiples, terminal ouvert en permanence. Environnement calme nécessaire pour la concentration lors du debugging ou de l'écriture de transformations complexes. Parfois des openspaces bruyants dans les grosses structures.

Géographiquement faible : le métier se fait partout où il y a de la data, donc grandes villes ou remote. Mobilité sectorielle forte : retail, finance, santé, média, chaque industrie a ses volumétries et ses contraintes spécifiques. Pas de déplacements terrain sauf rares formations ou conférences.

Stress modéré à élevé selon la maturité de l'organisation. Les pipelines qui cassent en production créent une pression immédiate car ils bloquent toute la chaîne d'analyse. La dette technique s'accumule vite si tu ne documentes pas ou ne refactorises pas. Frustration fréquente face aux demandes floues ou changeantes des métiers.

Évolution vers lead data engineer, architecte données, ou responsable plateforme data. Certains basculent vers le data science ou le ML engineering s'ils veulent se rapprocher des modèles. Quelques-uns deviennent freelances ou consultants spécialisés sur un stack précis (Snowflake, dbt, etc.). Peu de postes de management pur, sauf dans les très grosses équipes.

Apprentissage technique constant : nouveaux outils cloud, frameworks d'orchestration, optimisations de requêtes. L'écosystème data évolue vite, ce qui stimule intellectuellement ceux qui aiment la veille technologique. En revanche, peu de développement relationnel ou créatif : tu résous des problèmes techniques, pas humains. Le sentiment de progression vient de la maîtrise croissante de systèmes complexes.

Initiative technique réelle sur le choix des outils et l'architecture des pipelines, mais encadrée par les contraintes budgétaires, de sécurité et de stack déjà en place. Tu proposes, mais tu ne décides pas seul des orientations stratégiques. Les projets que tu mènes répondent aux besoins exprimés par d'autres (métiers, data scientists), rarement à tes propres intuitions. Latitude forte dans le comment, limitée dans le quoi.

Impact indirect et invisible : tu rends possible l'analyse, la prédiction, la personnalisation, mais tu ne vois jamais l'effet final sur l'utilisateur ou le client. Ton travail est crucial en interne, reconnu par les équipes data, mais rarement valorisé en externe. Ceux qui ont besoin de voir leur contribution dans le monde réel risquent la frustration. En revanche, si tu te satisfais d'un impact organisationnel (rendre l'entreprise data-driven), cela peut suffire.

Stabilité maximale : le métier est en forte demande, avec pénurie de profils qualifiés. Les salaires sont élevés dès l'entrée et progressent bien. Le télétravail facilite l'accès à des marchés internationaux ou parisiens sans déménager. Les compétences sont transférables entre secteurs. Même en période de ralentissement économique, les entreprises continuent d'investir dans leurs infrastructures data. Risque quasi nul de chômage.

Très forte demande, notamment sur les profils maîtrisant les stacks cloud modernes (dbt, Snowflake, Airflow) et capables de construire des architectures scalables. Les juniors très techniques trouvent facilement, les seniors avec expérience métier sont chassés.

Croissance soutenue portée par la généralisation de l'IA et du pilotage par la donnée dans toutes les industries. L'explosion des volumes de données et la multiplication des sources (IoT, APIs, événements temps réel) renforcent le besoin d'ingénieurs capables de structurer et fiabiliser les flux.