🦊 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.