Bienvenue chez JCDecaux !  

Chez JCDecaux, nous façonnons l'avenir de la communication extérieure.  

Nous nous engageons à être le média responsable et durable qui sert la communauté, tant en ville que dans les lieux de transport et de commerce. 

Notre histoire commence en 1964 avec la création d’un nouveau modèle économique :  proposer des produits et des services utiles et durables (Abribus, Mobilier Urbain pour l’Information, Kiosques, Sanitaires à entretien automatique, Vélos en libre-service…), financés par la publicité, au bénéfice des villes, de leurs résidents et visiteurs, puis, à partir des années 2000, au bénéfice des aéroports et des compagnies de transports.   

Innover toujours, rechercher l’excellence dans tous nos métiers, agir de façon responsable… voilà les valeurs qui nous animent au quotidien. 

Rejoignez-nous dans cette aventure qui redéfinit la communication urbaine et améliore les expériences citoyennes à travers le monde.

Au sein de la Direction DataCorp, en charge de la conception et de l’industrialisation des solutions d’optimisation au service des équipes business, nous recherchons un.e Data Scientist - OR (H/F) pour rejoindre une équipe pluridisciplinaire composée de Data Scientists, Data Engineers et Software Engineers.

Au quotidien vous serez amené à :

- Cadrer les problématiques métier (pricing, allocation, prévisions, optimisation de revenus / inventaire) avec les équipes business, data & produit.

- Formaliser ces problématiques en modèles de Recherche Opérationnelle (PL, PLNE, PNL, heuristiques, métaheuristiques, simulation, etc.).

- Concevoir, prototyper et implémenter des algorithmes d’optimisation en Python (du notebook au code prêt pour la prod).

- Choisir, paramétrer et combiner des solveurs (open source et/ou commerciaux) en fonction des contraintes de performance, coûts et licences.

- Concevoir des pipelines robustes : ingestion de données, nettoyage, feature engineering, préparation des paramètres pour les modèles d’optimisation.

- Travailler avec les équipes data/engineering pour exposer les algorithmes sous forme de microservices déployés dans le cloud.

- Réaliser des analyses de sensibilité et des tests A/B pour mesurer l’impact business des nouvelles stratégies d’optimisation.

- Documenter les modèles, hypothèses, limites, et évangéliser les bonnes pratiques de Recherche Opérationnelle en interne.

- Assurer une veille scientifique et technologique (nouveaux solveurs, frameworks OR, bonnes pratiques d’architecture pour l’optimisation).

- Vous avez au moins 3 à 5 ans d’expérience en Recherche Opérationnelle appliquée (idéalement sur des sujets d’optimisation de revenus / pricing / allocation / supply / planning).

- Formation Bac + 5/doctorat en Recherche Opérationnelle, Mathématiques appliquées, Informatique, Data Science ou équivalent.

- Vous êtes à l’aise avec la théorie (modèles, preuves de complexité, relaxation, etc.) et avec l’implémentation pragmatique en production.

- Vous avez déjà mis en production un ou plusieurs services (APIs, batchs ou services temps réel) dans un environnement cloud (AWS, GCP ou Azure).

- Vous êtes capable de discuter avec des profils non techniques, de challenger les besoins métier et de proposer des compromis viables entre optimalité, temps de calcul et simplicité d’usage.

- Autonome, rigoureux.se, vous savez prioriser, expliquer vos choix et travailler en équipe (data, produit, tech, business).

Compétences requises

- Excellente maîtrise de Python.

- Expérience avec un framework de modélisation (Pyomo, PuLP, OR-Tools, docplex) et un solveur (Gurobi, CPLEX, CBC, SCIP, OR-Tools (MIP/CP-SAT)

- Solides bases en manipulation de données : pandas, NumPy ; bonus si expérience avec Spark ou frameworks distribués.

- Programmation linéaire, linéaire en nombres entiers, éventuellement non linéaire.

- Connaissance des grands classiques : problèmes d’affectation, de couverture, de tournées, de knapsack, de scheduling, de network flow, etc.

- Capacité à choisir la bonne approche : modèle exact, heuristique, métaheuristique (tabu search, simulated annealing, genetic algorithms…) ou hybridation.

- Bonnes pratiques de développement : git, revues de code, tests unitaires et d’intégration, CI/CD.

- Capacité à vulgariser des modèles complexes et à argumenter vos choix auprès d’interlocuteurs variés.

- Esprit de collaboration, curiosité scientifique et envie de faire évoluer l’état de l’art de l’optimisation dans l’entreprise.