Contexte
Dans un contexte industriel critique, nous accompagnons un acteur majeur du secteur défense dans la transformation de ses outils de prévision logistique et industrielle.
L’enjeu principal : fiabiliser les dates de livraison (Estimated Delivery Date – EDD) sur des flux complexes (pièces de rechange, réparation, overhaul), afin de réduire les écarts, stabiliser les engagements clients et améliorer la performance opérationnelle globale.
Vous intervenez sur un projet à fort impact business, où les prédictions alimentent directement des engagements contractuels et des SLA clients.
Objectifs du projet
Réduire significativement l’erreur de prévision des dates de livraison
Limiter la volatilité des dates communiquées aux clients (« date flapping »)
Introduire des modèles probabilistes et data-driven en remplacement de règles déterministes classiques
Apporter de la transparence et de la confiance sur les engagements de livraison
Contribuer à une performance On-Time Delivery (OTD) ≥ 90 %
Vos missions
En tant que Data Scientist Senior, vous serez responsable de la conception, du développement et de l’optimisation de modèles de prévision avancés.
Data Science & Modélisation
Concevoir des modèles de régression avancés pour la prédiction de délais (EDD)
Mettre en œuvre des approches probabilistes (quantile regression, distributions de probabilité)
Exploiter des modèles tree-based (XGBoost, LightGBM, CatBoost)
Étudier et implémenter, si pertinent, des architectures Deep Learning temporelles (TFT, RNN spécialisés)
Développer des modèles time-to-event / survival analysis pour modéliser les durées entre étapes industrielles
Feature Engineering & Data Quality
Transformer des signaux bruts complexes en variables à forte valeur ajoutée :
encodage temporel cyclique
gestion de variables à forte cardinalité (IDs, références pièces)
pondération backlog / charge industrielle
Travailler sur des données industrielles réelles, bruitées et hétérogènes
Performance & Industrialisation
Concevoir des fonctions de coût personnalisées (pénalisation asymétrique des retards)
Optimiser l’inférence pour garantir des temps de réponse compatibles avec des usages temps réel
Participer aux choix d’architecture pour un déploiement robuste en production
Contribuer à l’interprétabilité des modèles (SHAP, LIME)
alten