Data Scientist Senior - Assurance IARD et Santé - Démarrage Janvier 2027

Contexte

Notre client, un grand groupe d'assurance, s'appuie sur une équipe interne de data science qui développe des modèles de machine learning et d'IA pour les métiers IARD et santé. Ses priorités sont de mieux chiffrer le coût des événements climatiques sur plusieurs périls, lutter contre la fraude, produire des preuves de valeur permettant à la direction de décider, et étudier de nouveaux cas d'usage.

Le Data Scientist senior conduit des chantiers de bout en bout, du cadrage avec le métier jusqu'à la préparation du transfert vers l'équipe d'industrialisation. Il travaille sous la direction technique du tech lead de l'équipe. L'environnement est un DataLab sous Databricks, en Python. Le poste implique des échanges réguliers avec les experts métier.

Missions

• Rédiger une note de cadrage par chantier : objectif, critères de succès, données disponibles, planning
• Explorer et préparer les données : sinistres, prestations santé, exposition du portefeuille, données externes et géospatiales
• Modéliser et évaluer les modèles au regard de l'objectif métier, avec versionnage et conformité aux standards de l'équipe
• Rédiger une fiche méthodologique par chantier : choix, alternatives écartées, résultats, limites
• Estimer de manière documentée le ROI ou l'impact métier, avec analyse de sensibilité
• Préparer des supports de restitution pour le métier : revues de cas, ateliers, aide à la décision
• Produire des rapports d'activité mensuels et une note de fin de mission

Outils & Environnement

• Databricks, Spark, SQL
• Python : pandas, scikit-learn, LightGBM, XGBoost, CatBoost
• Git, MLflow, IDE Python
• Tests automatisés (pytest)
• Données géospatiales : GeoPandas, données raster, imagerie satellite Copernicus, SIG
• Vision par ordinateur sur imagerie satellite ou aérienne

Méthodologie

• Conduite de chantier du cadrage jusqu'au transfert vers l'industrialisation
• Code modulaire, contrats de données, standards de développement partagés
• Fiches méthodologiques, notes de cadrage, supports de décision pour le métier

Compétences métier et techniques

• Assurance IARD ou santé : sinistralité, risques climatiques, lutte contre la fraude
• Modélisation des risques naturels : grêle, inondation, feux de forêt
• Estimation du ROI et de l'impact métier des modèles
• Cadre réglementaire : AI Act, RGPD
• Optimisation des hyperparamètres
• Machine learning non supervisé : détection d'anomalies, clustering, réduction de dimension
• Évaluation sans étiquettes : revues de cas, stabilité des segments
• Statistique appliquée : régression quantile, intervalles de confiance, quantification de l'incertitude
• Stratégies de validation, dont la validation temporelle, et analyse de sensibilité
• Interprétabilité des modèles (SHAP ou équivalent)
• Analyse de réseaux et de graphes appliquée à la détection de fraude
• IA générative : extraction d'information documentaire, RAG

Langues

• Français courant, à l'écrit comme à l'oral

Savoir-être

• Esprit critique sur la valeur métier, jusqu'à recommander l'arrêt d'une piste qui ne démontre pas de valeur
• Aisance avec les métiers et pédagogie pour présenter des résultats à un public non technique
• Autonomie avec un reporting régulier et factuel, rigueur de documentation

1. Expérience en assurance IARD ou santé : sinistralité, risques climatiques, lutte contre la fraude
2. Compétences en modélisation des risques naturels : grêle, inondation, feux de forêt
3. Capacité à estimer le ROI et l'impact métier des modèles
4. Connaissance du cadre réglementaire : AI Act, RGPD
5. Maîtrise de Python et bibliothèques associées : pandas, scikit-learn, LightGBM, XGBoost, CatBoost
6. Compétences en optimisation des hyperparamètres
7. Expérience en machine learning non supervisé : détection d'anomalies, clustering, réduction de dimension
8. Capacité d'évaluation sans étiquettes : revues de cas, stabilité des segments
9. Connaissances en statistique appliquée : régression quantile, intervalles de confiance, quantification de l'incertitude
10. Maîtrise des stratégies de validation, dont validation temporelle et analyse de sensibilité
11. Compétences en interprétabilité des modèles (SHAP ou équivalent)
12. Expérience en analyse de réseaux et de graphes appliquée à la détection de fraude
13. Connaissance des données géospatiales : GeoPandas, données raster, imagerie satellite Copernicus, SIG
14. Compétences en vision par ordinateur sur imagerie satellite ou aérienne
15. Connaissance en IA générative : extraction d'information documentaire, RAG
16. Maîtrise des outils Databricks, Spark, SQL
17. Utilisation de Git, MLflow, IDE Python
18. Pratique des tests automatisés (pytest)
19. Expérience en conduite de chantier du cadrage jusqu'au transfert vers l'industrialisation
20. Respect des bonnes pratiques : code modulaire, contrats de données, standards de développement partagés
21. Capacité à produire des fiches méthodologiques, notes de cadrage, supports de décision
22. Français courant, à l'écrit comme à l'oral
23. Esprit critique sur la valeur métier, jusqu'à recommander l'arrêt d'une piste sans valeur
24. Aisance pédagogique pour présenter des résultats à un public non technique
25. Autonomie avec reporting régulier et rigueur de documentation