Descriptif du poste:\n\nAu sein d'équipes pluridisciplinaires composées de Data Engineers, Data Analysts, Machine Learning Engineers, Architectes Cloud, Product Owners et équipes métiers, vous intervenez sur la conception, le développement et la mise en production de solutions de valorisation de la donnée.\n \nVous accompagnez les équipes métiers dans l'identification de cas d'usage data, analytiques et prédictifs, afin de transformer les données en leviers concrets de décision et de performance.\n \nVos missions principales :\n* \nComprendre les enjeux métiers, qualifier les besoins et identifier les cas d'usage pertinents en data science et intelligence artificielle\n* \nExplorer, analyser et préparer les données nécessaires à la réalisation des modèles\n* \nConcevoir, entraîner, évaluer et améliorer des modèles de machine learning et, selon les contextes, de deep learning\n* \nMettre en œuvre des méthodes statistiques, prédictives, de segmentation, de classification, de régression, de recommandation, de détection d'anomalies ou de prévision\n* \nDéfinir des indicateurs de performance, évaluer la qualité des modèles et assurer leur interprétabilité lorsque nécessaire\n* \nRéaliser des phases de prototypage et d'expérimentation afin de valider la pertinence et la faisabilité des solutions proposées\n* \nCollaborer avec les Data Engineers et Machine Learning Engineers pour fiabiliser les données et industrialiser les modèles développés\n* \nParticiper à la mise en production, au suivi et à l'amélioration continue des modèles : monitoring de la performance, dérive des données et réentraînement\n* \nRestituer les résultats de manière claire et pédagogique aux équipes métiers, techniques et aux parties prenantes\n* \nParticiper à la diffusion d'une culture data au sein de l'organisation : partage de connaissances, veille technologique et bonnes pratiques\n* \nContribuer au respect des exigences de qualité, de sécurité, de confidentialité et de conformité liées à l'utilisation des données et des modèles\n \nEnvironnements techniques :\nNous sommes ouverts sur les environnements techniques, selon les contextes clients et les projets.\n* \nLangages : Python, SQL, R apprécié\n* \nData science / Machine learning : scikit-learn, pandas, NumPy, XGBoost, LightGBM, CatBoost\n* \nDeep learning : PyTorch, TensorFlow, Keras selon les besoins\n* \nVisualisation / restitution : Power BI, Tableau, Looker, matplotlib, seaborn, Plotly ou équivalent\n* \nTraitement de données : Spark, PySpark, Databricks selon les volumétries et contextes\n* \nMLOps / industrialisation : MLflow, Git, GitLab CI, Docker, CI/CD, APIs\n* \nCloud : AWS, GCP ou Azure\n* \nData Warehouse / Lakehouse : Snowflake, BigQuery, Databricks, Redshift, Synapse selon contexte\n* \nBases de données : PostgreSQL, SQL Server, Oracle, NoSQL selon contexte\n* \nMéthodologies : Agile, Scrum / Kanban\n\nProfil recherché:\n\nNous recherchons avant tout une personne animée par l'esprit et l'ADN d'eXalt , avec l'envie de relever un beau challenge et de rejoindre une aventure humaine et technologique !\n \n* \nVous justifiez d'au moins 3 ans d'expérience professionnelle en Data Science, avec une expérience concrète dans la conception, l'évaluation et la mise en œuvre de modèles statistiques et de machine learning.\n* \nVous aimez analyser les données, comprendre les enjeux métier et transformer des problématiques complexes en solutions data concrètes et mesurables.\n* \nTrès bonne maîtrise de Python pour l'analyse et la préparation de données, ainsi que le développement de modèles.\n* \nBonne maîtrise de SQL et capacité à interroger, explorer, croiser et préparer des données issues de sources variées.\n* \nExpérience avec les bibliothèques de data science et de machine learning : pandas, NumPy, scikit-learn, XGBoost, LightGBM ou équivalent.\n* \nMaîtrise des principales approches de modélisation : classification, régression, segmentation, prévision, recommandation, détection d'anomalies ou scoring.\n* \nCapacité à préparer et fiabiliser les jeux de données : nettoyage, enrichissement, sélection de variables, gestion des valeurs manquantes et contrôle de la qualité.\n* \nExpérience dans l'évaluation des modèles : définition des métriques, validation, analyse de la performance, interprétabilité et détection de biais.\n* \nUne expérience en deep learning, notamment avec PyTorch, TensorFlow ou Keras, est appréciée selon les contextes projets.\n* \nUne connaissance des environnements Big Data et Cloud - Spark, Databricks, Snowflake, AWS, GCP ou Azure - est un plus.\n* \nSensibilité aux enjeux d'industrialisation et de cycle de vie des modèles : versioning, reproductibilité, déploiement, monitoring et réentraînement.\n* \nCapacité à restituer vos analyses et résultats de manière claire, accessible et convaincante auprès d'interlocuteurs techniques comme métiers.\n* \nAutonomie, rigueur, curiosité, esprit d'analyse, pédagogie et goût du travail en équipe.\n* \nBonne maîtrise d