Compétences
Deux piliers techniques, puis l'infrastructure qui les soutient. Les outils viennent après le métier.
Les deux piliers
Software Engineering et Data Engineering.
Software Engineering
APIs, backends, applications web et mobile
Data Engineering
Pipelines ETL/ELT, orchestration, CDC, streaming, qualité des données
Autour des deux piliers
Bases, infrastructure, analytics.
Data / Infrastructure
Data science & analytics
Soft skills
Compétences réelles, tirées du stage, des projets et des certifications.
Essentielles
Complémentaires
Analyse de besoin et cadrage
EssentielleMicroRecouv · AquaSensus · cahiers de conception
Transformer un problème métier flou en périmètre, règles et V0. Exemples : IMF (collecte hors ligne, PAR, COBAC) et forages (signalement sans litres ni capteurs). Je ne commence pas par la stack, je commence par ce qui doit changer pour l'utilisateur.
Responsabilité de bout en bout
EssentielleStage Openxtech · ServantAssist · AquaSensus
Porter un système complet — API, web, mobile, données, déploiement — jusqu'à un livrable utilisable. Le stage MicroRecouv n'est pas un ticket isolé : c'est une chaîne que je peux expliquer, faire tourner et défendre.
Rigueur et culture de la preuve
EssentielleLakehouse · CI ServantAssist · TP Cloud
Une alerte, un score ou une mise en production doivent pouvoir se vérifier. Comparaison flux / batch, règles de qualité, tests, journal d'audit, Delta sur ADLS : je documente ce qui est vrai (y compris le calcul encore local), pas seulement ce qui est prévu.
Communication avec le métier
EssentielleOpenxtech · comités AquaSensus · Basilique (ServantAssist)
Parler à un agent de collecte, un responsable d'agence, un comité de quartier ou une DSI sans noyer la décision. Adapter le niveau de détail, reformuler le besoin, faire valider une règle avant de la coder.
Esprit d'équipe et livraison incrémentale
EssentielleStage · multi-dépôts · CI par branche
Découper le travail (backend, front, data, infra), laisser une trace pour la personne suivante, livrer un V0 plutôt qu'attendre le parfait. L'agilité ici, c'est le rythme : incrément, revue, ajustement.
Autonomie et apprentissage dirigé
EssentielleIBM Data Engineering · Spark / PySpark · Snowflake · Fabric · lakehouse
Aller chercher une compétence quand le projet l'exige, puis la figer (certificat, module, prototype). IBM, Fabric, Spark et Snowflake ne remplacent pas le code : ils structurent ce que je mets ensuite en pratique.
Éthique et gouvernance des données
ComplémentaireLakehouse (masquage, lignée) · COBAC · AquaSensus
Ne pas collecter ce qu'on ne peut pas garantir. Isolation multi-IMF, masquage selon le rôle, dossier probatoire, refus des volumes d'eau inventés sur le terrain. La donnée personnelle et réglementaire n'est pas un détail d'implémentation.
Arbitrage sous contrainte
ComplémentaireAquaSensus (pas d'IoT) · offline MicroRecouv · V0
Choisir volontairement moins de technologie quand le contexte l'impose : pas de capteur cher, pas de réseau permanent, un moteur explicable plutôt qu'un modèle opaque. C'est de l'ingénierie, pas de la restriction.
En une phrase
Livrer une application (Software Engineering) et la chaîne de données qui la rend utile (Data Engineering).