Eiko est une association qui développe des parcours et contenus ludiques pour aider les citoyens à passer à l’action sur les enjeux écologiques.
Nos contenus sont intégrés dans une application mobile via Strapi. Pour faciliter la production, le suivi et l’historisation des mises à jour, nous utilisons aujourd’hui Fillout, Airtable et un flux de synchronisation vers Strapi.
Nous cherchons une personne capable de rendre ce système plus propre, plus robuste et plus fiable.
Cette mission est idéale pour une personne qui veut travailler sur un cas concret de data structuring / data pipeline à petite échelle, avec un impact direct sur un produit déjà utilisé.
Tu interviendras sur un vrai sujet de fiabilisation de données :
structurer un modèle exploitable
limiter les erreurs de saisie
améliorer la traçabilité
sécuriser la synchronisation entre plusieurs outils
poser des bases saines pour la suite
Concevoir et consolider un modèle de données clair dans Airtable, puis fiabiliser la synchronisation vers Strapi via API en Python ou JavaScript.
L’objectif n’est pas de complexifier l’existant, mais au contraire de rendre le flux plus simple, plus strict et plus auditable.
revoir et améliorer la structure de la base Airtable
clarifier les relations entre les tables et les règles de gestion
identifier les points de fragilité entre Fillout, Airtable et Strapi
développer ou améliorer les scripts de synchronisation via API
réduire les erreurs silencieuses et sécuriser les mises à jour
documenter le fonctionnement pour rendre le système maintenable
proposer des améliorations pragmatiques pour rendre le flux plus robuste
mise en place d’une interface Airtable pour suivre les soumissions et les synchronisations
export de données pour reporting ou contrôle qualité
amélioration de la validation des données en amont du flux
Voir la vidéo : https://www.youtube.com/embed/rLxw0VW0tYo
Lien d'accès à notre site web: Accueil - Eiko (eiko-responsable.com)
Nous cherchons une personne rigoureuse, autonome et à l’aise avec les sujets de structuration de données.
Compétences utiles :
modélisation de données et logique de schémas
manipulation d’API REST
Python ou JavaScript
compréhension des problématiques de synchronisation et de qualité de données
Connaissances appréciées mais non obligatoires :
Airtable
Fillout
Strapi
une mission concrète avec un impact direct sur le fonctionnement du produit
un sujet intéressant à valoriser dans un portfolio data / data engineering / automation
de la souplesse dans l’organisation
un échange direct avec une équipe engagée sur un projet à impact
mission réalisable à distance
ouverte à toute la France
Environ 2 à 4 heures par semainesur une période de 3 à 6 semaines
