Ingénieur ou ingénieure Data Science - Maintenance prédictive ferroviaire (H/F)

Ingénieur ou ingénieure Data Science - Maintenance prédictive ferroviaire (H/F)

Entreprise : SNCF RESEAU

Ville : Seine-Saint-Denis

Présentation

En tant qu'ingénieur / ingénieure Data Science - Asset Management & Maintenance prédictive, vous contribuerez au développement d'études et d'outils dédiés au suivi technique et à la gestion des actifs ferroviaires.

Missions

Modélisation statistique et analyse de données :

• Recueillir, comprendre et challenger les besoins des équipes métier en fonction des données disponibles.
• Réaliser des croisements complexes de données issues de différentes sources.
• Identifier les méthodes de modélisation les plus adaptées aux problématiques étudiées.
• Assurer une veille scientifique et technique afin de proposer des approches pertinentes et innovantes.
• Développer des modèles robustes et interprétables en matière de fiabilité, vieillissement des actifs, séries temporelles ou machine learning.
• Présenter et expliquer les méthodes retenues ainsi que les résultats obtenus de manière claire et rigoureuse.
• Produire des livrables de qualité pouvant prendre la forme d'un MVP, d'un rapport d'expertise ou d'une publication scientifique.

Développement d'indicateurs et de solutions de visualisation :

• Recueillir les besoins des interlocuteurs métier.
• Comprendre les systèmes d'information, les filières de données et l'architecture data de l'entreprise.
• Concevoir des indicateurs pertinents à partir de croisements de données complexes.
• Développer des tableaux de bord simples d'utilisation et orientés aide à la décision.
• Collaborer avec le développeur front de l'équipe afin de proposer des visualisations ergonomiques.
• Automatiser les chaînes de traitement, depuis la collecte des données jusqu'à la mise à jour des tableaux de bord, afin de favoriser leur industrialisation.

Activités transverses :

• Produire un code conforme aux bonnes pratiques de l'équipe.
• Travailler en mode collaboratif avec gestion de versions sous Git.
• Documenter les développements et analyses réalisés afin de faciliter leur appropriation.
• Participer aux projets selon une organisation agile et contribuer au respect des objectifs de sprint.
• Solliciter les expertises internes en cas de besoin et partager vos connaissances avec l'équipe.
• Participer à des groupes de travail et à des projets de recherche européens consacrés à la modélisation du cycle de vie des actifs ferroviaires.

À travers ces missions, vous contribuerez à l'amélioration de la performance des actifs, au développement de la maintenance prédictive et à l'exploitation de la donnée au service de la décision.

Profil recherché

Rejoignez-nous si vous êtes titulaire d'un Diplôme Bac+5 d'école d'ingénieur ou Master en mathématiques appliquées, statistiques, data science ou domaine équivalent.

• Une expérience de 2 à 3 ans sur un poste similaire est appréciée.

Compétences techniques

• Maîtrise de Python et des bibliothèques de data science (Pandas, Scikit-Learn, Statsmodels ou équivalents).
• Bonne maîtrise de SQL et des systèmes de gestion de bases de données.
• Connaissance des environnements cloud et des outils de traitement de données tels que PySpark ou Databricks appréciée.
• Maîtrise des méthodes de modélisation statistique appliquées aux données temporelles.
• Connaissance des modèles de durée, de fiabilité et de vieillissement des actifs.
• Capacité à modéliser des données censurées et des processus de comptage.
• Maîtrise des méthodes de prévision et d'analyse de séries temporelles : ARMA, ARIMA, lissage, régression, Random Forest, XGBoost.
• Connaissance des approches avancées de prédiction de séquences telles que LSTM ou Transformers.
• Capacité à produire des rapports automatisés et des outils de restitution des résultats.
• Une expérience en analyse de données appliquée à la fiabilité industrielle ou à la gestion d'actifs industriels constitue un atout.
• Une expérience dans le développement d'outils visuels d'aide à la décision est également appréciée.