Senior Run & Reliability Engineer - LUNE / GDP / Azure / Databricks

Dans un environnement cloud et data, le Senior Run & Reliability Engineer intervient sur le maintien en conditions opérationnelles, la fiabilité et la disponibilité des plateformes et des services de production. Il apporte un support technique avancé sur les environnements Azure, Databricks et les plateformes associées, tout en contribuant à l’amélioration continue des processus opérationnels.

Ses principales missions sont les suivantes :

Support opérationnel avancé : assurer le support technique de niveau expert sur les plateformes cloud, les environnements data et les services de production associés.

Gestion des incidents : piloter ou coordonner la résolution des incidents de production, assurer le suivi des actions correctives et contribuer au rétablissement rapide des services.

Analyse des problèmes et des causes racines : réaliser des analyses approfondies (Root Cause Analysis – RCA), identifier les causes des dysfonctionnements récurrents et proposer des mesures préventives.

Gestion des changements : contribuer à la préparation, à l’évaluation et au suivi des changements techniques afin de limiter les risques opérationnels.

Supervision et observabilité : mettre en place, maintenir et optimiser les dispositifs de supervision, les métriques, les logs, les traces et les alertes pour anticiper les incidents et faciliter leur diagnostic.

Exploitation Azure : assurer le suivi opérationnel des services Azure, notamment Azure Monitor, Log Analytics, Application Insights, Azure Storage et Azure Key Vault.

Exploitation Databricks : surveiller les Jobs et Workflows Databricks, analyser les logs, diagnostiquer les erreurs d’exécution et résoudre les problèmes de performance.

Administration opérationnelle d’Azure Batch : assurer le suivi des pools de calcul, des jobs, des tâches et du cycle de vie des nœuds de calcul. Analyser les problématiques liées à l’autoscaling, aux quotas, à l’ordonnancement des traitements et aux workloads conteneurisés.

Diagnostic technique transverse : analyser les incidents impliquant plusieurs composants ou domaines techniques afin d’identifier rapidement les dépendances et les causes des dysfonctionnements.

Automatisation des opérations : contribuer à l’amélioration des processus d’exploitation grâce au scripting, à l’automatisation et aux outils DevOps.

Amélioration continue de la fiabilité : identifier les axes d’amélioration de la disponibilité, de la résilience et de la performance des plateformes.

Coordination opérationnelle : collaborer avec les équipes techniques concernées, coordonner les interventions et assurer une communication claire pendant les incidents majeurs.

Résilience et reprise d’activité : contribuer, le cas échéant, aux exercices de reprise après sinistre (Disaster Recovery – DR) et à la validation des procédures de restauration.