Dans le cadre de la typologie IT-T ? Data Scientist, les missions génériques associées incluent : - Établir des scénarios permettant de comprendre et d?anticiper de futurs leviers métiers ou opérationnels pour l?entreprise. - Réaliser tout le cycle de valorisation de la donnée : ? Choix et collecte des données. ? Analyse de la qualité des données et redressement. ? Préparation des données. ? Valorisation spécifique à la Data Science (analyse prédictive voire prescriptive, mise en place d?algorithmes d?apprentissage automatique ou profond, conception de data visualizations dynamiques, data storytelling, etc.). - Appliquer des techniques statistiques, de text mining, d?analyse comportementale, de géolocalisation, etc., pour l?extraction et l?analyse d?informations issues de gisements de données (Big Data). - Obtenir des données adéquates et trouver les sources de données pertinentes : ? Recommandations sur les bases de données à consolider, modifier, rapatrier, externaliser, internaliser. ? Conception de datamarts et potentiellement d?entrepôts de données (data warehouses). - Évaluer la qualité et la richesse des données : ? Rassembler les données, les modéliser et en vérifier la véracité. - Analyser les résultats et les intégrer dans le système d?information cible du métier. - Traduire une problématique métier en problème mathématique/statistique et réciproquement. - Comparer et évaluer différents modèles ou méthodes de calcul, en anticipant les avantages et inconvénients dans un environnement métier donné. 2. Périmètre fonctionnel et responsabilités principales 2.1. Credit Risk Scoring - Pour les équipes Risque / Validation : ? Concevoir et optimiser les scores d?octroi et de comportement en explorant des approches innovantes. ? Garantir la stabilité du coût du risque en entraînant et déployant ces solutions, et en assurant le monitoring de la dérive des modèles. ? Travailler en étroite collaboration avec les experts métiers et les équipes Risque. 2.2. AI Solutions (IA appliquée aux parcours clients) - Optimiser l?expérience client en intégrant les modèles d?IA en temps réel sous forme d?API dans les parcours digitaux (scoring temps réel, personnalisation des offres de paiement, etc.). - Participer à l?architecture technique pour une intégration fluide des modèles, en suivant les meilleures pratiques de développement (Cloud, MLOps). - Collaborer avec les équipes Produit et IT pour industrialiser les solutions (mise en production, supervision, conformité aux standards de l?entreprise). 2.3. GenAI (IA générative et agents) - Prototyper et déployer en production des solutions d?IA générative sous forme d?agents (LLM, RAG, etc.) pour : ? Transformer les processus internes (Marketing, Audit, Risque, ?). ? Améliorer la relation et le support client. - Mettre en place des architectures « agentic » pour : ? Automatiser l?octroi d?offres de crédit (Risque). ? Automatiser des tâches complexes d?analyse documentaire. ? Faciliter l?interaction avec les clients. - Évaluer, optimiser et monitorer les performances des agents (cohérence, diversité, usage de LLM as a Judge, etc.).