Data Scientist Python

Dans le domaine très concurrentiel de la vente de détail, les taux de marges sont réduits. Disposer de prédictions de chiffre d'affaires fiables est donc crucial afin de piloter au plus juste les dépenses, et les choix d'actions commerciales pertinentes. L'objectif est d'améliorer et de fiabiliser les processus de prévision du CA, à différents horizons temporels, à différentes mailles (secteur, magasin, parc de magasins, ...) en utilisant notamment des modèles de ML qui s'appuieront sur un grand nombre d'inducteurs (historique des ventes, tendance du marché, calendrier commercial,...). L'explicabilité de ces modèles est nécessaire pour qu’ils puissent être pleinement utilisés par les équipes métier de la finance.

Missions

• Échanges réguliers avec les équipes pour récolter, qualifier les besoins, restituer des résultats

• Analyse avancée de données et de résultats

• Conception, développement itératif de modèles de prévision, au sein d'un projet versionné et industrialisé

• Définition des métriques, mise en place de protocoles de mesure rigoureux

Outils & Environnement

• Conception, développement et maintenance d'applications et modèles d’apprentissage automatique robustes et scalables avec Python

• Gestion du versionning des données et des modèles

• Bibliothèques de manipulation et d’analyse de données : Pandas, NumPy, SciPy

• Développement et déploiement de modèles ML en production avec Scikit-learn, TensorFlow, PyTorch

• Exploration, transformation, nettoyage et enrichissement de nouveaux jeux de données

• Utilisation des plateformes de cloud computing, notamment GCP ou équivalents

• Visualisation et analyse des données avec Matplotlib, Seaborn, Plotly

• Gestion des bases de données relationnelles et/ou orientées document

• Application des principes DevOps, notamment CI/CD, et utilisation de Git pour le versionning

• Intégration des principes de craftsmanship et bonnes pratiques telles que SOLID, YAGNI et couverture de tests avec Sonar

• Application des principes d’observabilité pour monitorer et diagnostiquer les applications et modèles

• Participation à toutes les phases du cycle logiciel, de la conception à la mise en production et au run

• Contribution à l’amélioration continue des pratiques de développement et assurance de la qualité, simplicité et maintenabilité du code

• Maintenance et évolution des applications et modèles existants

• Application des méthodes agiles, notamment Scrum

1. Concevoir, développer et maintenir des applications et modèles d’apprentissage automatique robustes et scalables avec Python

2. Gérer le versionning des données et des modèles

3. Maîtriser les bibliothèques de manipulation et d’analyse de données : Pandas, NumPy, SciPy

4. Développer et déployer des modèles ML en production avec Scikit-learn, TensorFlow ou PyTorch

5. Explorer, transformer, nettoyer et enrichir de nouveaux jeux de données pour les rendre exploitables

6. Utiliser les plateformes de cloud computing, notamment GCP ou équivalents

7. Visualiser et analyser les données avec Matplotlib, Seaborn, Plotly

8. Gérer les bases de données relationnelles et/ou orientées document

9. Appliquer les principes DevOps, notamment CI/CD, et utiliser Git pour le versionning

10. Intégrer les principes de craftsmanship et les bonnes pratiques telles que SOLID, YAGNI et la couverture de tests avec Sonar

11. Appliquer les principes d’observabilité pour monitorer et diagnostiquer les applications et modèles

12. Participer à toutes les phases du cycle logiciel, de la conception à la mise en production et au run

13. Contribuer à l’amélioration continue des pratiques de développement et assurer la qualité, la simplicité et la maintenabilité du code

14. Assurer la maintenance et l’évolution des applications et modèles existants