🫂 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 responsabilités1. 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.
On cherche une tête bien faite avec un profil data science : quelqu'un qui sait structurer un problème flou, raisonner avec des chiffres et proposer des approches que personne n'avait imaginées — et qui sait aussi livrer proprement, dans les temps, des solutions qui tournent.
-
Formation : Bac+5 (école d'ingénieur, université ou équivalent) en maths appliquées, statistiques, data science, économétrie ou disciplines proches.
-
Expérience : 2-3 ans minimum en Data Science, dont une part significative en mise en production et maintenance de modèles.
-
Compétences clés :
-
Très bonnes bases en stats / ML (régression, séries temporelles, classification…).
-
Maîtrise de Python, SQL et d'au moins une stack ML (scikit-learn, statsmodels, PyTorch / TensorFlow…).
-
Expérience concrète d'un environnement cloud / data platform (idéalement Databricks + Azure).
-
À l'aise avec un outil de dashboard (Power BI / Fabric) pour restituer.
-
Un excellent anglais, nous sommes souvent en contact client.
-
Soft skills :
-
Capacité à dialoguer avec le métier et les clients, à reformuler et challenger un besoin.
-
Autonomie, sens des priorités, goût pour la qualité et la robustesse algorithmique.
-
Volonté de partager, documenter et faire grandir les autres.
En deux temps (et demi) :
-
Rencontre téléphonique avec Florent, CTO & CDO
-
Entretien avec Alan, Lead Data & Eva, Data Scientist
-
Entretien avec Cécile, RH et Florent ou Thomas, CEO