🦊 Data Scientist (CDI)

🫂 L’équipe & ton positionnement

Tu rejoins le RED (Research, Engineering & Development, 20+ personnes) et tu évolues au carrefour de la Data, du Produit, du commercial (SOS) et des clients. Ton rôle : faire passer la donnée d’Upply de « puissante mais brute » à « actionnable et livrée » — côté clients comme en interne.

🎯 Ta mission

Tu es responsable des modèles qui font la valeur d’Upply : prédiction de prix, indices UFI, scoring. Concrètement, tu travailles sur du benchmark de prix par lane et par corridor, de la modélisation hiérarchique (multilevel, du port/du tronçon jusqu’au continent), de l’estimation de distributions et d’indices de confiance, sur des données de facturation réelles à grande échelle. Tu conçois ces modèles, tu les industrialises et tu les fais progresser, en lien étroit avec les Data Engineers et le Produit.

🫵 Tes responsabilités

1. Conception & amélioration des modèles

• Concevoir, maintenir et améliorer les modèles de prédiction d’Upply (pricing, indices, séries temporelles).
• Créer de nouveaux modèles (ML, DL, économétrie, genAI) pour répondre aux besoins produits et clients.
• Assurer l’amélioration continue du code et des modèles (refacto, tests, performance, mises à jour régulières).
• Réaliser une veille techno continue sur les approches data & IA pertinentes, et proposer des évolutions.

2. Données & qualité au service des modèles

• Identifier et prioriser les besoins en données (nouvelles sources, enrichissements, contraintes d’hébergement).
• Gérer les outliers et mener les vérifications métier qui fiabilisent les modèles.
• Co-construire avec les Data Engineers les pipelines de features et de scoring (batch & near real-time).
• Définir des Data Contracts orientés modèles.
• Réaliser des analyses ad-hoc pour éclairer les décisions Produit & Business (en lien avec l’Analytics Engineer pour la restitution et les dashboards).

3. Industrialisation & MLOps

• Définir, avec les Data Engineers, les besoins d’industrialisation (pipelines, jobs, déploiements).
• Mettre en place le monitoring des modèles (qualité, dérive, latence, coûts) et alerter en cas de dérive.
• Maintenir et faire évoluer les packages internes (ex. pypply, libs stats/modèles).
• Mener des A/B tests et expérimentations avec des métriques d’évaluation métier.

4. Référent·e technique & transmission

• Être le point de contact privilégié sur les questions techniques liées aux modèles (interne & externe).

• Produire une documentation claire : model cards, hypothèses, limites, KPIs de suivi.

• Accompagner les profils plus juniors : pair-programming, revues de notebooks, cadrage de POCs.

• Vulgariser les choix de modèles, leurs hypothèses et leurs limites auprès des équipes non techniques.On cherche une tête bien faite avec un profil data science : quelqu’un qui sait structurer un problème flou, raisonner avec des chiffres et proposer des approches que personne n’avait imaginées — et qui sait aussi livrer proprement, dans les temps, des solutions qui tournent.

• Formation : Bac+5 (école d’ingénieur, université ou équivalent) en maths appliquées, statistiques, data science, économétrie ou disciplines proches.

• Expérience : 2-3 ans minimum en Data Science, dont une part significative en mise en production et maintenance de modèles.

• Compétences clés :

  • Très bonnes bases en stats / ML (régression, séries temporelles, classification…).
  • Maîtrise de Python, SQL et d’au moins une stack ML (scikit-learn, statsmodels, PyTorch / TensorFlow…).
  • Expérience concrète d’un environnement cloud / data platform (idéalement Databricks + Azure).
  • À l’aise avec un outil de dashboard (Power BI / Fabric) pour restituer.
  • Un excellent anglais, nous sommes souvent en contact client.

• Soft skills :

  • Capacité à dialoguer avec le métier et les clients, à reformuler et challenger un besoin.
  • Autonomie, sens des priorités, goût pour la qualité et la robustesse algorithmique.
  • Volonté de partager, documenter et faire grandir les autres.En deux temps (et demi) :

• Rencontre téléphonique avec Florent, CTO & CDO

• Entretien avec Alan, Lead Data & Eva, Data Scientist

• Entretien avec Cécile, RH et Florent ou Thomas, CEO