The opportunity
Chez Lyft, notre raison d'être est de servir et de connecter. Lyft Urban Solutions conçoit, fabrique et exploite des systèmes de vélopartage dans plus de 50 villes à travers le monde, dont New York, Chicago, Londres, Barcelone, Mexico, Rio de Janeiro et Montréal.
What you'll do
Soutenir les analyses de défaillance sur des pièces retournées du terrain, y: compris les demandes des clients entreprises, en participant au démontage, à l'inspection et aux essais électriques et en documentant les constats avec photos.
Aider à surveiller les données terrain, comme les alertes des véhicules et: des stations et les historiques de réparation, et signaler les problèmes émergents à l'équipe.
Concevoir et mettre à jour des tableaux de bord et des requêtes pour suivre: les indicateurs de fiabilité et l'avancement des mises à niveau.
Participer aux campagnes de mise à niveau sur le terrain en aidant à repérer: les unités touchées et en suivant l'avancement.
Aider à réviser les PON de réparation et les guides de diagnostic utilisés: par les mécaniciens des marchés, et proposer des améliorations.
Contribuer aux enquêtes sur les défaillances terrain dans Jira, en: collaboration avec les ingénieurs, pour l'analyse des causes profondes et les mesures correctives.
What they're looking for
- Être inscrit ou inscrite à un programme de baccalauréat ou de maîtrise en: génie mécanique, électrique, mécatronique ou industriel, ou dans un domaine connexe, dans une université canadienne, avec une fin d'études prévue entre décembre 2027 et l'été 2028 (obligatoire) . Les personnes à la maîtrise ayant travaillé entre leurs deux programmes doivent cumuler moins de 2 ans d'expérience à temps plein.
- Maîtrise professionnelle du français et de l'anglais , à l'écrit comme à l'oral (obligatoire)
- Aisance à manipuler du matériel électromécanique, notamment le démontage,: l'inspection et le dépannage électrique de base avec des outils comme un multimètre
- Solides compétences analytiques et aisance à travailler avec de grands: ensembles de données imparfaits pour en tirer des conclusions claires
