Data Data Scientist Python — détection d'anomalies Selon profil

Data Scientist Python — détection d'anomalies

Au sein d'une équipe Data de deux personnes, vous fiabilisez la mesure des tonnages collectés et traités : modèles de prévision, bilans matière et restitutions directes aux équipes opérationnelles d'un acteur de la filière déchets.

Description du client

Le client est un éco-organisme national chargé d'organiser la collecte, le tri et le recyclage des produits de la maison : mobilier, literie, bricolage, jouets. Chaque année, des centaines de milliers de tonnes transitent par son réseau de points de collecte, déchèteries, distributeurs, centres de tri et filières de valorisation.

Son équipe Data compte aujourd'hui un Data Scientist senior et se renforce d'un second profil en prestation, intégré à l'équipe interne. L'enjeu : fiabiliser la mesure des tonnages collectés et traités, détecter les anomalies le long de la chaîne et documenter la composition réelle des flux, afin que les équipes opérationnelles et la direction puissent décider sur des chiffres solides.

Détail & objectif de la mission

Intégré·e à une équipe Data de deux personnes, vous fiabilisez la mesure des tonnages collectés et traités, et transformez ces données en décisions exploitables par les équipes opérationnelles.

• Analyser l'historique des tonnages par point de collecte, flux et période sous Python (pandas, SQL avancé)
• Construire des modèles de détection d'anomalies : ruptures, écarts de saisie, saisonnalité inhabituelle (scikit-learn, statsmodels)
• Développer des prévisions de tonnages par séries temporelles pour identifier en amont les écarts à la norme
• Qualifier les anomalies avec les équipes métier : erreur de mesure, incident opérationnel ou signal réel
• Modéliser la composition des flux (bois, métal, plastiques, rembourrés, matelas) à chaque étape de la chaîne
• Réconcilier les données entre collecte, tri et traitement via des bilans matière entrants/sortants
• Restituer les analyses ad hoc aux équipes opérationnelles et à la direction auprès d'interlocuteurs non techniques

Profil recherché

• 3 à 6 ans d'expérience en data science, dont une partie en conseil ou en environnement opérationnel
• Python en contexte analytique : pandas, scikit-learn, statsmodels ou équivalents
• SQL avancé, sur des volumes importants et des données incomplètes ou incohérentes
• Statistiques appliquées, séries temporelles et détection d'anomalies : modélisation d'écarts, de ruptures et de saisonnalités
• Expérience de l'exploration de données terrain imparfaites : réconciliation entre sources, identification des erreurs de saisie et de mesure
• Restitution de résultats à des interlocuteurs métier non techniques, et capacité à qualifier une anomalie avec eux plutôt qu'à la livrer brute

Un plus : IA générative ou agents IA (LLM, RAG, automatisation d'analyses), connaissance des secteurs environnement, déchets, logistique ou supply chain, outils de visualisation (Power BI, Tableau, Streamlit).

Cette mission freelance de data scientist se déroule au sein d'un éco-organisme national responsable de la collecte, du tri et du recyclage des produits de la maison : mobilier, literie, articles de bricolage et jouets. Son réseau rassemble points de collecte, déchèteries, distributeurs, centres de tri et filières de valorisation, par lesquels transitent chaque année des centaines de milliers de tonnes.

L'équipe Data est volontairement resserrée : un Data Scientist senior en interne, rejoint par un second profil en prestation intégré à l'équipe. Le périmètre couvre la fiabilisation de la mesure des tonnages, la détection des anomalies le long de la chaîne et la description de la composition réelle des flux, pour que les équipes opérationnelles comme la direction travaillent sur des chiffres tenables.

Objectifs de la mission

Le cœur du poste consiste à transformer des données de terrain hétérogènes en indicateurs fiables, puis à expliquer ces résultats à des interlocuteurs métier qui ne sont pas data scientists. Les travaux attendus se répartissent ainsi :

• Analyser sous Python (pandas, SQL avancé) l'historique des tonnages par point de collecte, par flux et par période
• Construire des modèles de détection d'anomalies couvrant ruptures, écarts de saisie et saisonnalités inhabituelles, avec scikit-learn et statsmodels
• Mettre en place des prévisions de tonnages par séries temporelles pour repérer en amont les écarts à la norme
• Qualifier chaque anomalie avec les équipes métier : erreur de mesure, incident opérationnel ou signal réel
• Modéliser la composition des flux (bois, métal, plastiques, rembourrés, matelas) à chaque étape de la chaîne
• Réconcilier collecte, tri et traitement au moyen de bilans matière entrants/sortants
• Restituer les analyses ad hoc aux équipes opérationnelles et à la