Data Scientist

Contexte du poste :

Dans le cadre d’un projet d’analyse avancée de données industrielles, notre client souhaite exploiter des données HUMS (Health and Usage Monitoring Systems) ainsi que des données de pannes issues de différents systèmes afin d’améliorer les stratégies de maintenance et d’anticiper les défaillances.

L’objectif est de développer des modèles de maintenance prédictive permettant d’identifier les corrélations entre l’utilisation des systèmes et leurs défaillances, tout en estimant leur durée de vie à travers des modèles statistiques de survivance tels que Kaplan-Meier et Weibull.

Afin de mener à bien cette mission, nous recherchons un Data Scientist expert Python, capable de collecter, structurer, analyser et modéliser des données complexes pour produire des recommandations exploitables par le client.

Vos missions :

Collecte et prétraitement des données

Collecter les données issues de capteurs provenant de différents systèmes industriels ;

Nettoyer, structurer et consolider les données afin de les rendre exploitables ;

Assurer la qualité, la cohérence et la fiabilité des jeux de données utilisés pour l’analyse ;

Préparer les datasets nécessaires aux travaux de modélisation et d’analyse statistique.

Exploration et analyse des corrélations

Analyser les données d’utilisation des systèmes ;

Identifier les corrélations entre les usages, les comportements opérationnels et les pannes observées ;

Mettre en évidence les variables les plus significatives dans l’apparition des défaillances ;

Produire des analyses permettant d’orienter les stratégies de maintenance.

Modélisation et analyse de survivance

Développer et implémenter des modèles de maintenance prédictive ;

Construire des modèles statistiques de survivance basés sur Kaplan-Meier et Weibull ;

Estimer la durée de vie des systèmes et composants ;

Interpréter les résultats afin de formuler des recommandations concrètes pour la maintenance prédictive ;

Contribuer à l’amélioration continue des modèles selon les données disponibles.

Documentation et restitution

Documenter les processus de traitement et de modélisation des données ;

Formaliser les méthodologies, hypothèses et résultats obtenus ;

Produire des livrables structurés à destination du client ;

Synthétiser les analyses et conclusions de manière claire et exploitable par des publics techniques et non techniques.

Délivrables attendus :

Document d’état des lieux et de structuration des données issues des capteurs ;

Bilan d’exploration et analyse des corrélations entre utilisation des systèmes et pannes ;

Document d’analyse de survivance sur les données collectées et nettoyées ;

Documentation des processus, modèles développés et résultats obtenus.

Environnement :

Python

Pandas

NumPy

Scikit-learn

TensorFlow / PyTorch

Matplotlib

Seaborn

Kaplan-Meier

Weibull

GitLab

Machine Learning

Maintenance prédictive

Analyse statistique

Données industrielles / HUMS

Profil recherché :

Bac+5 (École d’ingénieur, Master Data Science, Mathématiques appliquées ou équivalent) ;

Expérience significative en Data Science et en traitement de données complexes ;

Maîtrise experte du langage Python ;

Excellente maîtrise des bibliothèques Pandas, NumPy, Scikit-learn ;

Bonne connaissance de frameworks de machine learning tels que TensorFlow ou PyTorch ;

Maîtrise des outils de visualisation de données (Matplotlib, Seaborn) ;

Très bonne connaissance des techniques de Machine Learning ;

Expertise confirmée en statistiques appliquées, notamment sur les modèles de survivance Kaplan-Meier et Weibull ;

Expérience des outils de versioning et de déploiement, notamment GitLab ;

Solides capacités d’analyse et de résolution de problèmes complexes ;

Capacité à vulgariser des concepts techniques auprès d’interlocuteurs non spécialistes ;

Rigueur, autonomie et excellent esprit de synthèse.

Informations complémentaires :

Participation à un projet stratégique à forte composante analytique ;

Intervention sur des données industrielles critiques à forte valeur métier ;

Mission à fort impact sur l’optimisation des opérations de maintenance ;

Interactions régulières avec des experts métier et des interlocuteurs clients ;

Environnement technique exigeant, orienté data, statistiques avancées et innovation.