> Markdown version of [/jobs/ext/4000862-data-engineer-junior](https://www.wearedevelopers.com/jobs/ext/4000862-data-engineer-junior). Every page supports `.md` or `Accept: text/markdown`. Links point to the HTML versions so they work for humans too. Agent guide: [/agents.md](https://www.wearedevelopers.com/agents.md).

---

# Data Engineer Junior

- **Company:** Eridanis
- **Location:** Paris, France
- **Experience:** Starter
- **Contract:** Permanent contract
- **Skills:** Airflow, Advanced Message Queuing Protocol, Software Quality, Continuous Integration, Extract Transform Load (ETL), Data Retrieval, Software Debugging, Python (Programming Language), Machine Learning, Message Queuing Telemetry Transport (MQTT), Prometheus, DataOps, Large Language Models, Grafana, Backend, Fastapi, Gitlab-ci, Kubernetes, Machine Learning Operations, Docker
- **Published:** October 29, 2026
- **Apply:** https://www.welcometothejungle.com/fr/companies/eridanis/jobs/data-engineer_paris

## About the Role

* Très bon niveau en Python (qualité logicielle, tests, packaging).
 * À l'aise avec Docker + les bases Kubernetes (déploiement, logs, debug).
 * Sensibilité "prod" : monitoring / alerting, analyse d'incidents, rigueur sur la qualité des flux., Logiquement, nous attendons une forte appétence en data engineering : ingestion, transformations, fiabilisation, gestion d'erreurs, rejouabilité. Cependant, voici d'autres critères que nous recherchons au sein des profils :
 * Esprit critique, autonomie, sens du concret.
 * Rigueur sur la qualité de données et la robustesse en production.
 * Curiosité et envie de faire évoluer l'outillage / les pratiques DataOps

## Description

Ci après des exemples concrets dans la Smart-City :

 * Optimisation des consommations énergétiques des bâtiments à l'échelle du territoire,
 * Récupérations des données des capteurs IoT pour fournir des services de propreté urbaine,
 * Construction de jeux de données permettant de faire des études démographiques,

Selon les projets, vous pourrez contribuer ponctuellement à l'industrialisation de briques IA (NLP/LLM notamment), mais ce n'est pas le cœur du rôle.

La diversité de nos clients et de leurs besoins implique des projets très variés : nouvelles sources, contraintes et patterns d'intégration.

Ce qu'on fait au quotidien dans ce rôle

 * Ateliers avec les clients/équipes métier pour vérifier qu'on a les bonnes données, au bon niveau de qualité, pour répondre au besoin.
 * Récupération de données transverses depuis des sources variées (dont IoT).
 * Standardisation et structuration orientées "produit" en coordination avec les équipes dev.
 * Mise en place de règles de qualité, de monitoring et d'alerting sur les flux ETL.
 * Investigation d'incidents (volumétrie, latence, ruptures de qualité), durcissement des pipelines.

Stack & environnement

 * ETL / orchestration : Flyte
 * Backend / services : Python, FastAPI
 * Déploiement : Docker, Kubernetes (clusters on-prem managés)
 * Observabilité : Prometheus, Grafana
 * CI/CD : GitLab CI
 * Standards (selon projets IoT) : FIWARE / NGSI-LD
 * Packaging Python : librairies internes réutilisables (wrappers, modèles, utilitaires), * Orchestrateurs (Flyte, Airflow, Dagster, Prefect…).
 * IoT / messaging (MQTT/AMQP)
 * Standards FIWARE/NGSI-LD.
 * Notions MLOps/ML engineering (mise en prod, suivi, évaluation simple).
 * Connaissances GPU (nice-to-have, non requis).