Data Scientist & ML Engineer

Machine Learning et Modélisation Avancée : le plus gros volet de la missionIndustrialiser des modèles ML concrets : Développer, entraîner et surveiller des modèles de scoring, de détection d’anomalies, de dérive et de prédiction d’échec appliqués aux flux de paiement et d’identité.

Inno & Graph Analytics : Représenter l’acte d’achat sous forme de graphes pour repérer les comportements atypiques et perfectionner la dynamique des parcours.

Routage intelligent : Concevoir des algorithmes d’arbitrage automatique pour maximiser le taux de succès des transactions au meilleur coût.

MLOps : Travailler main dans la main avec l’équipe DevOps pour déployer et industrialiser vos modèles de manière résiliente au c?ur de l’infra.

Analytics Engineering & Business IntelligenceFiabilité & Gouvernance : Être le/la garant(e) de la propreté, de la structure et de la cohérence de nos jeux de données.

Analytics GenAI & Self-service : Concevoir des solutions BI (Looker) dopées à l’IA pour offrir une autonomie maximale aux équipes métiers.

Pilotage & Insights : Suivre les KPIs vitaux, détecter les tendances clés et répondre à des problématiques business complexes avec une rigueur analytique irréprochable.

Expérience : Au moins 4 ans en Data Science & Analytics dans l’univers du SaaS.

Stack Technique : Maîtrise experte de Python et SQL (code propre, documenté et maintenable).

Solide expérience en modélisation de données et création de couches sémantiques.

Maitrise impérative de GCP / BigQuery et de dbt.

Maîtrise de Looker (ou outil équivalent) et intégration de l’IA dans la data visualization.

Bonnes pratiques dev ancrées : Git, CI/CD, documentation.

Utilisation quotidienne des outils d’IA pour booster votre propre productivité.