Contexte et objectif

• Concevoir une application hybride (web + traitements batch) permettant l’importation automatisée des données RH dans AGIRH, avec des mécanismes de validation et de correction intelligente.
• Réduire les erreurs d’intégration, améliorer la qualité des données RH et faciliter la remise à niveau des fichiers venant de sources hétérogènes (CSV, Excel, API, fichiers RH internes).

Tâches et périmètre fonctionnel

• Implémenter des connecteurs d’import (fichiers plats, API REST) et un pipeline d’ingestion robuste (ETL/ELT) vers AGIRH.
• Développer des règles de validation métier (formats, doublons, contraintes d’intégrité) et des mécanismes automatiques de correction suggérée (algorithmes de normalisation, rapprochement probabiliste).
• Prévoir une interface de revue humaine pour les cas ambigus : workflows de validation, historiques/audit, et export des corrections acceptées.

Architecture technique et composants attendus

• Backend en charge des imports, validations et suggestions de correction (ex. services Python/Node, queues pour traitements asynchrones).
• Module de correction intelligente reposant sur des techniques d’IA/heuristiques (matching fuzzy, modèles de classification pour détecter anomalies, règles de normalisation).
• Frontend web léger pour paramétrage des règles, visualisation des erreurs et validation manuelle ; logs et tableaux de bord de qualité des données.

Livrables attendus

• Prototype fonctionnel démontrant l’import, la validation et la correction (démo sur jeux de données sample).
• Documentation technique (architecture, API, instructions de déploiement) et guide utilisateur pour le workflow de validation.
• Rapport d’évaluation de la qualité des données avant/après et métriques d’efficacité des corrections (précision, rappel, taux d’automatisation).

Compétences et technologies recommandées

• Langages et outils : Python (Pandas, FastAPI), SQL, frameworks web (React/Vue optionnel), outils ETL ou orchestration (Airflow, Celery ou équivalent).
• Techniques : data cleaning, matching fuzzy, apprentissage supervisé/non supervisé pour détection d’anomalies, gestion des workflows de validation.
• Connaissances métier : notions de SIRH, contraintes RGPD/confidentialité des données personnelles et bonnes pratiques de gouvernance des données.

Encadrement et méthodes de travail

• Travail en mode projet avec jalons : cadrage, prototype, itérations d’amélioration, tests et déploiement pilote.
• Tests unitaires et d’intégration pour les pipelines d’ingestion, et jeu de tests pour mesurer la robustesse des règles de validation.