Manager, Data Science

Résumé du poste

Le Manager Data Science est responsable de la direction stratégique et opérationnelle des activités de science des données au sein de l’organisation. Il ou elle agit comme un pont entre la stratégie d’affaires et la technologie, supervisant les équipes de data scientists, d’analystes et d’ingénieurs afin de concevoir, développer et déployer des modèles analytiques et d’intelligence artificielle qui soutiennent les décisions et optimisent les processus d’affaires.

Responsabilités principales

Le Manager Data Science aura pour mission de :

Définir la vision et la feuille de route analytique alignée sur les priorités stratégiques de l’entreprise.

Superviser et encadrer une équipe multidisciplinaire composée de data scientists, d’analystes et de MLOps engineers.

Piloter la livraison de projets analytiques et IA , de la phase de cadrage jusqu’à la mise en production des modèles.

Assurer la qualité et la robustesse des modèles développés, en favorisant les meilleures pratiques en matière de gouvernance des données, d’éthique et de performance.

Collaborer étroitement avec les directions métiers (marketing, opérations, finance, etc.) pour identifier et prioriser les cas d’usage à forte valeur ajoutée.

Contribuer à la mise en place d’une culture data-driven , en vulgarisant les concepts analytiques et en soutenant la formation interne.

Optimiser les pipelines analytiques et IA , en collaboration avec les équipes Data Engineering et IT.

Veiller à la documentation, au monitoring et à la maintenance des modèles déployés.

Assurer la veille technologique sur les outils, méthodes et tendances en science des données et intelligence artificielle (LLM, MLOps, explainability, etc.).

Profil recherché

Diplôme universitaire en science des données, mathématiques appliquées, informatique, génie ou tout autre domaine connexe.

Minimum de 7 à 10 ans d’expérience pertinente en science des données, dont au moins 3 ans en gestion d’équipe .

Solide maîtrise des techniques de modélisation prédictive, d’apprentissage automatique et d’analyse statistique.

Excellente compréhension des architectures de données modernes (cloud, data lake, entrepôt de données, API, etc.).

Expérience concrète avec des outils tels que Python, SQL, Spark, Databricks, MLflow, TensorFlow, ou scikit-learn .

Connaissance des bonnes pratiques de MLOps, gouvernance des modèles et observabilité IA .

Capacité démontrée à transformer des besoins d’affaires en solutions analytiques concrètes et mesurables .

Leadership reconnu, excellentes habiletés en communication et sens aigu de la collaboration interfonctionnelle.