Data Scientist Pricing & Revenue Management Expert + H/F - Maestria

MAESTRIA est une jeune entreprise de services & conseil de 30 collaborateurs spécialisée dans les activités d'innovation et transformation digitale à destination de ses clients. L'entreprise est située au sein de la Technopole de Sophia Antipolis, une position stratégique vis-à-vis de ses clients majeurs.

MAESTRIA, soutient startups, PME et grandes entreprises en Provence-Alpes-Côte d'Azur mais aussi sur Paris, Toulouse, Montpellier, Marseille, Lyon, Bordeaux... en privilégiant la confiance, la transparence et la proximité.

Ce que nous offrons

Un cadre de travail stimulant avec des projets variés à fort impact

Un accompagnement de proximité et des formations continues

Une culture d'entreprise centrée sur la collaboration, l'innovation et le bien-être

Télétravail partiel possible, paniers repas, mutuelle premium

Envie de rejoindre une entreprise où il fait bon vivre ? Postulez dès maintenant et devenez acteur de votre avenir avec MAESTRIA.Contexte de la mission

Notre client a lancé un programme stratégique de refonte et de modernisation de son système de Pricing & Revenue Management, coeur de la stratégie tarifaire du groupe.

Dans ce cadre, nous cherchons à intégrer un Data Scientist senior, expert en modélisation statistique, pour accompagner la refonte de notre modèle de prévision de la demande.

Ce poste s'inscrit dans un environnement métier complexe et stimulant, au croisement de la science des données, de l'économie comportementale, et de l'optimisation algorithmique.

Objectifs et livrables

Objectifs de la mission :

Comprendre finement les mécanismes du Revenue Management dans un contexte de transport (Train, aerien) : dynamiques de réservation, effets prix, anticipation, segmentation, etc.

Concevoir, tester et mettre en oeuvre un nouveau modèle de prévision de la demande, basé sur des approches de séries temporelles modernes (ML, statistiques bayésiennes, etc.) dans un contexte multi-segments, multi-horizons et incertain.

Garantir l'interprétabilité, la robustesse statistique et la fiabilité des prévisions, afin de permettre aux équipes métiers RM d'exploiter efficacement les résultats dans un système de décision.

Intégrer une réflexion rigoureuse sur les biais, les sources d'endogénéité, et les incertitudes des modèles, et proposer des moyens de les tester, corriger ou encadrer.

Définir et produire des indicateurs de performance prédictive et de qualité statistique, à destination des équipes métiers.

Livrables attendus :

Cahier de modélisation : description structurée du problème, hypothèses, formalisation, critères d'évaluation.

Prototype fonctionnel du modèle de prévision de la demande (en Python, avec tests, métriques, documentation).

Rapports d'analyse sur la robustesse statistique, les biais potentiels, et la qualité des prévisions.

Présentations claires à destination des équipes métiers RM, incluant :

les incertitudes associées aux prévisions, les hypothèses clés,

des indicateurs de fiabilité et de suivi en production.

Compétences et Expériences Requises :

Profil académique : Diplôme de niveau Master 2 ou Doctorat en statistiques, économétrie, mathématiques appliquées, recherche opérationnelle ou data science, avec un socle théorique rigoureux.

+de 8 ans d'expérience, incluant des environnements à fortes contraintes systèmes (ex. RM, supply chain, transport, trading...).

Compétences statistiques et modélisation :

Maîtrise approfondie des modèles de séries temporelles (ARIMA, état-espace, bayésiens hiérarchiques, etc.).

Connaissance des problèmes d'endogénéité, des méthodes de contrôle (instruments, double robustesse, etc.).

Maîtrise des tests statistiques (hypothèse, robustesse, validité externe), et des méthodologies d'AB testing.

Compétence en analyse causale, ou capacité à discuter la causalité dans un environnement de données observationnelles.

Modélisation & abstraction :

Forte capacité à formuler mathématiquement des problèmes métiers complexes.

Compétences techniques :

Excellente maîtrise de Python (NumPy, SciPy, PyMC, scikit-learn, statsmodels, etc.) et SQL.

Connaissance d'outils de visualisation et de restitution des résultats (Power BI, Looker, Streamlit, etc.).

Bonne culture ML appliqué : modèles supervisés, boosting, régularisation, validation croisée.