Data Scientist Senior - Prévision & Fiabilité Logistique Secteur Défense H/F - 13

« Notre développement international et notre position de leader sur le marché de l'Ingénierie et du conseil en Technologies nous confèrent une responsabilité sociale, sociétale et environnementale envers l'ensemble de nos interlocuteurs et parties prenantes », Simon Azoulay - Président Directeur Général d'ALTEN.

ALTEN accompagne la stratégie de développement de ses clients dans les domaines de l'innovation, de la R&D et des systèmes d'information technologiques.

Plus qu'un poste, découvrez l'aventure ALTEN !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 oeuvre 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)