Data Scientist Junior

Filiale du Groupe EDF, Datanumia est une société éditrice de logiciel spécialisée dans la valorisation de la donnée énergétique. Au quotidien, ce ne sont pas moins de 170 collaborateurs qui évoluent dans un écosystème innovant - mêlant IA, machine learning et IoT - et donnent du sens à notre raison d’être : permettre à chacun d’optimiser sa consommation d’énergie et son empreinte carbone en révélant tout le potentiel de la data. Plus de 12 millions de particuliers et 43 000 professionnels (tertiaire, industrie, collectivité) bénéficient ainsi de solutions digitales dédiées aux fonctionnalités avancées : suivi multi-fluides, répartition des usages, alertes en cas de dépassement de seuil ou encore plan d’actions d’économies d’énergie, les utilisateurs ont toutes les clés en main pour consommer moins, et mieux.

Au sein de l’équipe Data regroupant les Data Engineers, Data Analysts et Data Scientists, vous serez au carrefour des métiers de l'entreprise:

- Product Management
- Marketing / avant-vente
- Innovation
- UX / design
- Equipes de développement

Vous aurez accès à des données de consommation (relevés de compteurs communicants jusqu'au pas 30 min), et de profils utilisateurs de plus de 10 millions de logements et de bâtiments professionnels en France et en Europe, des données issues d'objets connectés et des données de tracking utilisateur, etc. Ces données vous seront mises à disposition sur une plateforme de type datalake/data analytics dans le cloud. Elles sont aujourd’hui exploitables via deux outils BI qui fournissent des tableaux de bord de suivi de l’activité et des utilisateurs. Votre rôle sera de faire en sorte que Datanumia s’appuie le plus possible sur ces données et ces outils pour permettre à l’entreprise et ses clients de prendre des décisions en s’appuyant sur des éléments objectifs.

**Vos missions**:
**Contexte et prise de besoins**:

- Etre en lien avec les équipes sales, opération et produit pour la prise de besoin
- Définition de solution et proposition de démarche algorithmique
- Selon cas d’usage, prise en main de solutions algorithmiques externes
- Identification des sources de données nécessaire et précisions sur le périmètre d’étude
- Contextualisation technique avec les équipes architecture et ops

**Réalisation des études**:

- Traitement de données sur le datalake et le datawarehouse
- Automatisation des traitements de transformation
- Analyses exploratoires via Jupyter notebook ou l’outil de data visualisation
- Modélisations avancées via Jupyter notebook
- Préparation du code pour industrialisation en collaboration avec les features teams
- Mise en place de rapport de qualité de la solution

**Partage et communication**:

- Communiquer auprès des différents acteurs de l'entreprise pour insuffler et entretenir une culture data
- Partage des résultats
- Spécifications techniques et accompagnement pour l’industrialisation

Vous avez un esprit analytique et savez conceptualiser une réponse technique complexe.

Vous avez une première expérience en modélisation statistique et data science, idéalement avec industrialisation de solution.

Vous êtes intéressé par les enjeux sur la transition énergétique.

Vous êtes intéressé par les métiers de la data ; ingénierie, analyse et data science.

Vous êtes curieux, enthousiaste, et vos compétences relationnelles vous permettent de travailler avec tous les acteurs de l'entreprise:

- Travail en équipe
- Prise d’initiatives
- Très bonne communication
- Compréhension des enjeux métiers
- Prise de parole
- Curiosité et Créativité
- Autonomie

**Maitrise technique**:

- Manipulation de données depuis un datalake et un DWH (idéalement stack AWS)
- Transformation de données en SQL / Python
- Modélisation Data science en python (Deep learning / Machine learning)
- Méthodes statistiques (prévision, classification)

Enfin, bénéficier de compétences parmi les suivantes serait un atout supplémentaire:

- Machine learning engineering (mise en production)
- Outil de data visualisation : configuration, manipulation de jeux de données, visualisation (PowerBI, Quicksight, Tableau, Qlik etc.)
- Outils de scheduling et d'ETL (type Airflow, DBT)
- Méthodes Agiles
- Maîtrise d’environnements Linux, clouds (AWS) et de technologies Big Data (NoSQL, Scala/Spark)
- Software Craftmanship : Bonnes pratiques de développement, partage et capitalisation, gestion de version, tests