Description du poste
Dans le cadre du renforcement de ses effectifs, une institution financière internationale lance un appel à candidatures en vue du recrutement d’un Senior Data Scientist (H/F)

Role
Le Data Scientist est responsable de la conception, du développement et l’expérimentation des modèles statistiques, analytiques et de Machine Learning afin de créer de la valeur métier : scoring crédit, segmentation client, score de recouvrement, détection d’anomalies ou de fraude, optimisation marketing, etc. Il intervient sur l’ensemble du cycle de vie analytique : exploration, préparation, modélisation, interprétation, documentation et transfert vers les équipes d’industrialisation (ML Engineers).
Il joue un rôle clé dans l’amélioration continue des performances des modèles, la création des features et l’analyse avancée des données.

Principales missions
Exploration & préparation des données
• Analyser en profondeur les données internes (transactions, KYC, logs applicatifs…) ;
• Construire, nettoyer et enrichir les datasets nécessaires à la modélisation ;
• Effectuer des analyses exploratoires avancées (EDA) et des études statistiques pour comprendre les comportements ;
• Définir et concevoir des features pertinentes avec les Data Engineers et ML Engineers.

Modélisation & développement analytique
• Concevoir des modèles ML supervisés et non supervisés : régression / classification / clustering – forêts, boosting, séries temporelles, deep learning selon les besoins ;
• Effectuer le tuning, la validation croisée, le suivi des métriques et comparer plusieurs approches ;
• Garantir la robustesse, l’interprétabilité et l’adéquation métier des modèles ;
• Produire des prototypes de haute qualité, reproductibles et documentés.
Évaluation & documentation
• Documenter les hypothèses, choix mathématiques, contraintes et limites des modèles ;
• Réaliser des analyses d’interprétabilité : SHAP, PDP, variable importance ;
• Formaliser les rapports analytiques pour les comités techniques et métier.
Collaboration & transfert vers la production
• Collaborer étroitement avec les ML Engineers pour la mise en production ;
• Fournir les spécifications techniques complètes (features, préprocessing, paramètres…) ;
• Participer aux revues de modèles, aux ateliers métier et aux synchronisations Data & IA ;
• Contribuer à la définition de standards analytiques internes.

Activités clés
Techniques
• Analyse statistique et data mining avancé ;
Développement ML : Python, notebooks, frameworks ML (scikit-learn, PyTorch, TensorFlow ou équivalent) ;
• Manipulation de grands volumes de données (SQL, PySpark) ;
• Construction de features avec les pipelines existants (Spark, SQL) ;
• Qualité des données, imputation, normalisation, sélection de variables.
Organisationnelles
• Participation aux ateliers métier pour la compréhension des besoins ;
• Présentation des résultats aux équipes Crédit, Risque, Marketing, Fraude, etc. ;
• Rédaction claire des analyses et des rapports statistiques ;
• Respect des standards de gouvernance Data & IA.

Compétences requises
• Bac+4/5 en Data Science, Statistiques, Mathématiques appliquées, IA, Informatique ou équivalent ;
• Au moins quatre (4) années d’expérience en Data Science, idéalement dans des environnements big data ;
• Expérience concrète dans la conception de modèles ML appliqués à des problématiques métier (finance, risque, fraude, marketing…) ;
• Excellente maîtrise de Python et des librairies ML (scikit-learn, pandas, numpy) ;
• Solides compétences en statistiques, mathématiques appliquées et modélisation de phénomènes ;
• Bonne maîtrise de SQL et compréhension des environnements big data (Spark souhaité) ;
• Connaissances en Azure ou autres environnements cloud ;
• Expérience des techniques d’interprétabilité, validation et robustesse des modèles ;
• Culture générale des enjeux métiers : scoring, fraude, segmentation, optimisation ;
• Forte capacité analytique, rigueur scientifique et sens du détail ;
• Capacité à vulgariser et présenter clairement des résultats techniques complexes ;
• Orientation résultats et valeur métier ;
• Qualités collaboratives : travail étroit avec Data Engineers, ML Engineers, métiers ;
• Autonomie, curiosité, proactivité
• Écosystème moderne : Big Data, Cloud, DevOps ;
• Connaissance du secteur bancaire, fintech ou télécom ;
• Notions de MLOps, industrialisation ou CI/CD (apprécié) ;
• Connaissance de Azure ML, MLflow, feature store ;
• Maîtrise de l’anglais.