Data Scientist

Contexte

Une organisation engagée dans l’optimisation de sa performance énergétique recherche un Data Scientist expérimenté pour conduire des travaux avancés de modélisation énergétique prédictive. L’objectif est de comprendre la contribution des différentes fréquences technologiques à la consommation énergétique des sites, et de construire un modèle prédictif fiable intégrant des scénarios d’évolution technologique.

Le périmètre allie analyse exploratoire, préparation de données complexes, modélisation avancée (Machine Learning / Deep Learning), et interprétabilité des résultats dans une logique métier.

Responsabilités principales

• Nettoyer, structurer et analyser des jeux de données multi-sources complexes, parfois bruités ou incomplets
• Identifier les tendances de consommation énergétique et les variables influentes par fréquence
• Développer des modèles prédictifs ML/DL adaptés (MLP, RNN, CNN…) pour estimer les consommations futures
• Intégrer des hypothèses d’évolution des équipements ou déploiements technologiques dans les modèles
• Assurer une interprétabilité rigoureuse des résultats (SHAP, LIME…) pour orienter les décisions métier
• Collaborer avec les équipes internes pour assurer l’exploitabilité des travaux
• Documenter l’ensemble de la démarche : pipeline, modèles, évaluation, livrables métiers

Livrables attendus

• Rapport d’analyse exploratoire avec visualisations et variables clés
• Pipeline de préparation des données (nettoyage, feature engineering, structuration)
• Implémentation de modèles ML/DL reproductibles avec code commenté
• Rapport final de synthèse, recommandations et présentations
• Documentation technique complète (scripts, modèles, métriques)

Profil recherché

• Bac+5 minimum (école d’ingénieur ou Master) en science des données, mathématiques appliquées, IA ou équivalent
• Expérience de 4 à 8 ans en modélisation prédictive avancée (ML/DL)
• Maîtrise des principaux outils : Python, Pandas, Scikit-learn, TensorFlow ou PyTorch
• Compétences solides en analyse de données complexes, feature engineering, gestion du bruit et des valeurs manquantes
• Bonne pratique des modèles non linéaires (réseaux de neurones, séries temporelles...)
• Maîtrise des outils d’interprétabilité (SHAP, LIME)
• Esprit rigoureux, autonome et capable de restituer les résultats de façon claire et exploitable