lead data scientist MMM

Data Tech Lead Responsabilités

• Leadership technique : définir les choix d’architecture et de modélisation, arbitrer les décisions d’implémentation, construire et maintenir la roadmap technique à 12-24 mois

• Modélisation MMM : superviser et challenger la construction des modèles par marché, garantir la cohérence méthodologique inter-marchés, valider les outputs avant présentation au business

• Management technique : encadrer le Data Scientist et le Data Analyst — revues, choix méthodologiques, montée en compétences, priorisation des tâches techniques

• Delivery opérationnel : prendre en charge la modélisation directe sur un marché si la parallélisation ou les pics de charge l’exigent (ratio estimé 30 à 40 % du temps, incluant les refreshs trimestriels et les réentraînements semestriels)

• Architecture data : superviser l’intégration des pipelines (MIRA, HAMIS, ROMA/GCP, Dataiku, Prism), anticiper les évolutions d’infrastructure nécessaires au scale

• Vision long terme : co-construire avec le PM la roadmap technique du modèle : automatisation des pipelines, intégration d'agents IA pour l'interprétation des résultats, réflexion méthodologique et opérationnelle sur les suppressions tests, amélioration de la granularité des analyses (campagne, catégorie, cohortes par marque) et évolutions du modèle nécessaires pour la permettre

• Interface business-tech : porter les enjeux techniques au business, expliquer les choix de modélisation aux marchés locaux, comprendre les contraintes opérationnelles spécifiques à chaque marché

Profil recherché — Data Tech Lead MMM

• Anglais courant — langue de travail principale avec l’équipe US et les marchés

• 7 à 10 ans d’expérience en data science avec une spécialisation forte en séries temporelles et/ou économétrie appliquée

• Expérience MMM en conditions réelles indispensable — avoir construit, calibré et challengé des modèles MMM sur des données réelles de marché. Un profil généraliste sans cette expérience ne convient pas

• Maîtrise de la modélisation bayésienne : adstock (Geometric, Weibull), saturation (Hill Transform), calibration des priors, interprétation des posteriors

_• Connaissance des approches d’évaluation des modèles MMM : hold-out validation, suppression tests géographiques, diagnostics de résidus

• Stack technique maîtrisée : Python (pandas, NumPy, PyMC ou Stan, arviz), SQL avancé, GCP/BigQuery, Dataiku — notre environnement de production

• Connaissance de la librairie Prism (Ekimetrics) appréciée — montée en compétences rapide attendue sur notre stack

• Connaissance de OneVision (Ekimetrics) et des contraintes de l’optimizer : nice to have

• Expérience de management technique d’une équipe de profils data

• Capacité à porter des discussions avec le business et à traduire des enjeux techniques en décisions

métier — compétence différenciante

• Vision prospective : automatisation des pipelines, LLM appliqués à l’interprétation des résultats

MMM, industrialisation des restitutions

• Expérience multi-marchés internationaux appréciée