1. Cas de nouveaux besoins :

• Cadrage et définition du besoin avec les métiers
• Ateliers avec les équipes digital, architecture, infrastructure pour fournir les prérequis à l’industrialisation des modèles
• Développement des modèles sur le datalab
• Partage itératif des résultats obtenus
• Planification de phase de tests avec les métiers
• Ajustements suite aux retours des métiers
• Mise en production et ordonnancement du modèle sur la plateforme dédiée
• Documentation des modèles développés
• Formation sur les modèles développés

Modèles existants :

• Interactions avec les équipes architecture, DIFA, IT pour l’industrialisation des modèles
• Tests des modèles sur les plateformes datalab et de production
• Echange avec les métiers pour cibler les améliorations à apporter aux modèles
• Monitoring des résultats vs prévisions

Documentations associées

• Ingénieur (BAC+ ou plus), ayant minimum 5 ans d’expérience dans le développement de modèles analytiques et Machine learning
• 2 ans d’expérience dans le domaine bancaire  sur des sujets analytiques.
• Un bon sens de la communication et une faculté d’adaptation et de conception, en plus de la capacité de rédaction.
• Bonne connaissance des outils Python, GytHub,
• Capacité à développer sous Sql
• Connaissances des méthodes de gestion de projet en AGILE.
• Bonnes capacités d'analyse et rédactionnelles
• Une capacité de coordination avec les différents acteurs d’un projet.
• Maitrise des méthodologies projets (Cadrage, conception, Homologation Bancaire, Conduite de Changement …).
• Sens de la communication et aisance relationnelle
• Autonomie et esprit d’équipe
• Motivé(e), dynamique, orienté(e) résultats

L’asset technologique est basé sur les technologies suivantes :

• Language/Environnement de développement : Python/Anaconda, JupyterLab, Gitlab
• Machine Learning : Scikit-learn
• Ordonnanceur : Air flow
• ETL : Talend, SQL Server
• Reporting :  Business Objects, Cognos, SAS
• UNIX/Windows : Scripting Shell/Power Shell