Job Description
Roles & Responsibilities
As part of strengthening our Data teams, we are looking for profiles capable of designing, industrializing and optimizing data platforms (batch & real-time) within distributed environments based on Cloudera.
Your responsibilities:
Development & Industrialization
- Develop massive data processing pipelines in PySpark (Batch and Real-Time / Streaming modes).
- Set up real-time streams via Kafka (topics, partitions, schemes, offsets) and ensure ingestion with NiFi.
- Model and optimize NoSQL schemas, especially on Cassandra (tables, keys, clustering, replication) and Hive.
- Integrate and transform data from multiple sources (APIs, databases, streams, files).
Quality, Performance & Reliability
- Deploy Data Quality mechanisms (controls, monitoring, alerting).
- Optimize Spark processing (partitioning, tuning, data formats) specifically for distributed architectures.
- To ensure the supervision and resolution of incidents in a production environment.
CI/CD & Governance
- Industrialize developments via CI/CD chains (automated testing, deployments).
- Documenting flows, models and best practices.
- Collaborating occasionally with third-party teams on Dataviz topics and collaborating with Data Scientists (particularly on customer segmentation algorithms).
- Contribute to data governance (catalogue, traceability, security).
Desired Candidate Profile
Qualifications
Experience: ~4 years of experience in distributed environments and Big Data architectures.
Architecture: Strong interest and significant experience in On-Premise infrastructures.
Spark / PySpark: Essential mastery in Batch and Streaming processing.
NoSQL: Confirmed experience on Cassandra and/or Hive
Streaming & Ingestion: Very good mastery of Kafka and NiFi
Nice-to-have / Bonus:
- Good understanding of the Hadoop/HDFS ecosystem. Mastery of Cloudera is a plus but remains optional.
- Concepts in Data Science (models of customer clustering/segmentation) and Dataviz tools.
- Tools & DevOps: Skills in Git, CI/CD (GitLab CI) and an orchestration tool (Airflow, Luigi, Prefect).
وصف الوظيفة
الأدوار والمسؤوليات
كجزء من تعزيز فرق البيانات لدينا، نحن نبحث عن ملفات تعريف قادرة على تصميم منصات البيانات الصناعية وتحسينها وتوزيعها (دُفعات ووقت حقيقي) ضمن بيئات موزعة قائمة على Cloudera.
مسؤولياتك:
التطوير والتصنيع
- تطوير خطوط معالجة بيانات ضخمة باستخدام PySpark (وضعيات دفعة ووقت حقيقي / تدفق).
- إعداد تدفقات حية عبر Kafka (الموضوعات، الأقسام، المخططات، الإزاحات) وضمان الدخول عبر NiFi.
- نمذجة وتحسين مخططات NoSQL، خاصة على Cassandra (الجداول، المفاتيح، التجميع، التكرار) وHive.
- دمج وتحويل البيانات من مصادر متعددة (واجهات برمجة التطبيقات، قواعد البيانات، التدفقات، الملفات).
الجودة والأداء والاعتمادية
- نشر آليات جودة البيانات (الضوابط، الرصد، التنبيه).
- تحسين معالجة Spark (التقسيم، الضبط، صيغ البيانات) خاصةً للبُنى الموزعة.
- لضمان الإشراف وحل الحوادث في بيئة الإنتاج.
CI/CD والحوكمة
- تصنيع التطويرات عبر سلاسل CI/CD (اختبار آلي ونشر).
- توثيق التدفقات والنماذج وأفضل الممارسات.
- التعاون عرضياً مع فرق أطراف ثالثة في مواضع Dataviz والتعاون مع علماء البيانات (لا سيما في خوارزميات تجزئة العملاء).
- المساهمة في حوكمة البيانات (فهرس، إمكانية التتبع، الأمان).
الملف المرشح المثالي
المؤهلات
الخبرة: حوالي 4 سنوات من الخبرة في بيئات موزعة وهياكل بيانات ضخمة.
العمارة: اهتمام قوي وخبرة كبيرة في بنى On-Premise.
Spark / PySpark: إتقان أساسي في المعالجة الدُفعيّة والتدفقية.
NoSQL: خبرة مثبتة على Cassandra و/أو Hive
التدفق والدخول: إتقان جيد جداً لـ Kafka و NiFi
المزايا / الإضافة:
- فهم جيد لنظام Hadoop/HDFS. إتقان Cloudera ميزة إضافية لكنها اختيارية.
- مفاهيم في علم البيانات (نماذج تجميع/تقسيم العملاء) وأدوات Dataviz.
- الأدوات و DevOps: مهارات في Git، CI/CD (GitLab CI) وأداة تنظيم (Airflow، Luigi، Prefect).