Mission freelance Data Scientist Senior / ML Engineer Retail (H/F)

Télétravail possible 3 jour sur site / 2 jour en TT

Pour l’un de nos clients, un acteur international du retail, nous recherchons un consultant data science pour améliorer ses modèles de mesure de l’impact des changements de prix.

Le moteur actuel prédit la demande et simule les scénarios tarifaires produit par produit. L’objectif est de le faire évoluer vers une simulation multi-produits, capable de mesurer les effets directs sur les ventes, les transferts de volumes entre références et les ventes complémentaires générées. La solution s’inscrit dans un déploiement international, avec une architecture modulaire et paramétrable.

Vos missions

1. Améliorer la prévision de la demande et l’élasticité prix directe

• Enrichir les données d’apprentissage sous dbt / SQL : prix, positionnement concurrentiel et interne, historique des ventes, tendances, ruptures de stock, couverture magasins, calendrier commercial, promotions, cycle de vie produit

• Faire évoluer les modèles Python / LightGBM pour mieux mesurer la réponse des volumes aux variations de prix

• Différencier le traitement des produits à forte rotation et des produits à ventes rares ou intermittentes

• Supprimer les planchers artificiels de prédiction et distinguer les simulations de prix courants des scénarios promotionnels

2. Modéliser la cross-élasticité et la cannibalisation

• Comparer les approches de rapprochement des produits (knowledge graph, algorithme de proximité produit) et formaliser une recommandation

• Évaluer leur couverture, leur pertinence métier et leurs performances en exploitation

• Construire les variables d’écarts et de ratios tarifaires entre marques nationales, marques propres et produits d’entrée de gamme

• Adapter le moteur de simulation pour prédire les transferts de volumes entre produits substituables

3. Quantifier les ventes complémentaires (effet halo)

• Exploiter les liens entre produits moteurs et accessoires à partir du knowledge graph et des règles métier

• Développer un module de post-traitement calculant les volumes induits (taux d’attachement, quantités moyennes, facteurs d’atténuation)

• Intégrer ces résultats à la restitution des simulations

4. Industrialiser et fiabiliser la solution

• Orchestrer les pipelines ML avec ZenML et les exécuter sur GCP Vertex AI

• Assurer la qualité du code, les tests unitaires, le respect des standards CI/CD et le versionnage dans le registre MLOps

• Sécuriser le déploiement multi-pays et prévenir les régressions

• Produire des tables de restitution des volumes directs, cannibalisés et complémentaires pour les outils de pricing et de BI