Science des donnéesConfirmé
Science des données × Confirmé
Fort de 5 ans d'expérience en data science, j'ai piloté la conception de moteurs de recommandation et de modèles de prévision de la demande dans les secteurs du e-commerce et de la distribution. Mon atout réside dans ma capacité à traduire des enjeux métier en modèles mathématiques et à déployer des solutions en production grâce à une solide expertise MLOps. Je maîtrise la rédaction de documentation technique en anglais et collabore régulièrement avec des équipes internationales, contribuant ainsi à une maximisation du ROI guidée par les données à l'échelle de l'organisation.
📌 Résumé de carrière
- ▸2018.04 - 2021.03 : Data Analyst et Scientifique chez une grande plateforme e-commerce (prévision de la demande, analyse du ROI marketing, conception de tests A/B)
- ▸2021.04 - Présent : Data Scientist Senior dans une startup tech à capitaux étrangers (MLOps pour les systèmes de recommandation, développement de modèles d'apprentissage profond, mentorat de juniors)
📌 Réalisations et atouts
- ▸Développement et mise en œuvre d'un modèle de prévision de la demande (LightGBM/Prophet) conçu de zéro, entraînant une réduction de 15 % des pertes liées aux invendus par rapport à l'année précédente, soit environ 120 millions de yens d'économies annuelles.
- ▸Réduction de la latence d'inférence d'une API de recommandation personnalisée de 50 ms à 12 ms, avec une hausse du CTR de 2,4 %, générant un chiffre d'affaires mensuel supplémentaire de 30 millions de yens.
- ▸Mise en place d'un pipeline MLOps interne (Kubeflow/MLflow), réduisant considérablement le délai entre la validation du modèle et son déploiement en production, de trois semaines à deux jours.
📌 Compétences
- ▸Langages et bases de données : Python (Pandas, NumPy, Scikit-learn), SQL (BigQuery, Redshift), R, Bash
- ▸Machine learning et deep learning : PyTorch, XGBoost, LightGBM, traitement du langage naturel (Hugging Face Transformers)
- ▸Infrastructure et MLOps : AWS (SageMaker, S3), Docker, Kubernetes, MLflow, Airflow, dbt
- ▸Métier et autres : conception de tests A/B, inférence causale, anglais professionnel (TOEIC 890, expérience de Daily Scrum avec des équipes internationales)
📌 Présentation personnelle
- ▸Je garde toujours à l'esprit qu'il ne suffit pas d'améliorer la précision des modèles, mais qu'il faut surtout les intégrer concrètement pour créer de la valeur. Dans mon poste précédent, j'ai vu un modèle d'apprentissage profond très précis mais coûteux en calcul être rejeté par la direction métier, ce qui m'a fait prendre conscience de l'importance de la perspective business. Depuis, j'ai collaboré avec les ingénieurs pour construire une plateforme MLOps et mettre en place un déploiement automatisé de modèles d'ensemble légers et précis. Cela a également renforcé la culture de la donnée au sein des équipes métier et a consolidé la confiance dans l'organisation data science. Je souhaite désormais relever des défis plus vastes et variés sur une infrastructure de données mondiale, c'est pourquoi je postule chez vous.
💡 Conseils clés
- 💡Mettez en avant l'impact business (chiffre d'affaires, économies) plutôt que la seule performance technique des modèles (AUC, etc.) : cela est très valorisé par les entreprises.
- 💡Les compétences en MLOps et en ingénierie des données sont un atout différenciant majeur dans les recrutements data science actuels : n'oubliez pas de mentionner votre expérience en infrastructure.
- 💡Si vous visez des entreprises internationales, ajoutez des liens vers votre portfolio GitHub, vos médailles Kaggle ou vos articles techniques en anglais dans votre CV.
- 💡Dans votre présentation personnelle, incluez des exemples de communication avec les équipes métier ou de mobilisation des parties prenantes pour démontrer une vision stratégique de niveau senior.
🔗 🔗 Autres niveaux
Dernière vérification : 2026-09-06 · Rédaction aijobs