Data Scientist

Emploi pas sur LinkedIn

🔥 il y a 9 minutes

🇪🇺 Europe – Télétravail

⏰ Temps Plein

🟡 Intermédiaire

🟠 Senior

📊 Data Scientist

👻 Score fantôme 12%

Ce que ça veut dire : la probabilité que cette offre reste ouverte sans recrutement actif.Comment le lire : 60 % ou plus, on pense que c'est une offre fantôme. Un score plus bas est moins inquiétant.Comment on la calcule : ancienneté, republications, postes ouverts vs taille de l'équipe, rapidité de clôture, et si le salaire est indiqué.À noter : une estimation à partir de données publiques, pas un jugement sur l'entreprise. De vraies offres peuvent avoir un score élevé, alors prenez-le comme un indice, pas comme un fait.

Postuler Maintenant

Trouver des Emplois à Distance Similaires

Configurer une alerte email pour les nouveaux emplois

📊 Vérifiez votre score de CV pour ce poste

Améliorez vos chances d'obtenir un entretien en vérifiant votre score de CV avant de postuler.

Télécharger le CV

Timeleft

Site WebLinkedInTous les Emplois

51 - 200 employés

Fondée en 2020

👥 B2C

🏨 Hôtellerie

🏪 Place de marché

💰 Seed en 2021-11

B2C • Hospitality • Marketplace

Timeleft est une plateforme et application mobile avant tout destinée aux consommateurs, qui organise des rencontres sociales hebdomadaires en présentiel—principalement des dîners, des sorties pour boire un verre et des courses à pied—en associant des inconnus en petits groupes et en prenant en charge toute la logistique (lieu, attribution des groupes, horaire), pour que les utilisateurs n'aient qu'à se présenter. Le service met l'accent sur la création de liens amicaux grâce à la constitution de groupes adaptés, tenant compte de la langue et de la personnalité ; il opère dans plus de 200 villes à travers 52 pays et compte plus de 3 millions de membres avec des centaines de réservations quotidiennes. Timeleft cible les adultes (18+) à la recherche d'expériences sociales locales régulières sans profil, sans défilement et sans planification.

Description

• Concevoir, valider et déployer en production des modèles de machine learning pour la propension, l’optimisation des prix et des remises, la personnalisation, le churn et la LTV • Piloter l’intégralité du cycle de vie ML : cadrage du problème, feature engineering, entraînement, évaluation, déploiement, monitoring et réentraînement • Concevoir et déployer un modèle de remise personnalisée pour les décisions liées au paywall • Collaborer avec l’équipe Product sur les tests A/B et la conception d’expériences avec groupes de contrôle afin de démontrer l’impact causal • Construire des frameworks de mesure pour les décisions tarifaires et les décisions relatives aux remises • Mettre en place un serving de modèles à faible latence sur GCP à l’aide de Vertex AI Endpoints, Cloud Run ou d’une solution équivalente • Définir des patterns de pipelines de features avec BigQuery/dbt et des systèmes temps réel tels que Pub/Sub • Mettre en place le monitoring des modèles afin de détecter la dérive, l’obsolescence des données et les problèmes de qualité des prédictions • Collaborer avec les équipes Product, Engineering et Lifecycle Marketing pour intégrer les modèles aux fonctionnalités du produit • Transformer les problématiques produit en problématiques de modélisation, et les sorties des modèles en contrats d’API • Documenter les passations afin que l’équipe Engineering puisse assurer durablement la responsabilité de la couche de serving • Concevoir et interpréter des modèles d’uplift et des modèles causaux, ainsi que des expériences mesurant l’impact incrémental sur le chiffre d’affaires ou la rétention • Mettre en place un playbook reproductible pour le passage des modèles en production

🎯 Exigences

• Maîtrise de Python pour la data science et le machine learning, notamment de scikit-learn et de XGBoost/LightGBM • Expérience avérée dans le déploiement de modèles en production, dont au moins un modèle servant du trafic réel • Expérience pratique d’une plateforme cloud de machine learning, idéalement GCP (Vertex AI, BigQuery ML, Cloud Run/Functions), ou expérience équivalente sur AWS/Azure • Solides compétences en SQL et expérience d’un data warehouse basé sur dbt/BigQuery • Maîtrise des fondamentaux du software engineering : Git, code review, tests et CI/CD • Expérience en inférence causale, uplift modelling ou expérimentation appliquée • 4 à 7 ans d’expérience en tant que Data Scientist ou ML Engineer, avec au moins un modèle personnellement mené du prototype à la production • Formation quantitative en informatique, statistiques, ingénierie ou expérience pratique équivalente • Anglais courant

🏖️ Avantages

• Aucun avantage, benefit ou complément de rémunération n’est précisé dans l’offre