بصفتك كبير علماء البيانات، ستكون مسؤولاً عن المهام التالية: - تطوير النماذج التنبؤية والتوجيهية: تصميم وتدريب نماذج تقسيم العملاء (التجميع، RFM، التوصيف السلوكي). تطوير محركات توصية مخصصة (المرشحات التعاونية، المرشحات القائمة على المحتوى، الأنظمة الهجينة) لتحسين البيع المتبادل والبيع الأقوى. تطوير نماذج التنبؤ والكشف: معدل التسرب، الميل، تقييم المخاطر، التنبؤ بحجم المعاملات، وكشف الشذوذ/القواعد السلوكية لمكافحة غسل الأموال (AML). - هندسة البيانات والنماذج: التعاون مع مهندسي البيانات لتحديد الميزات وإعداد أنابيب التدريب اللازمة من Data Lakehouse (مثل Cassandra وHive وغيرها). تطبيق أفضل ممارسات MLOps: إدارة إصدارات النماذج، وأتمتة النشر، ومراقبة أداء الإنتاج (الانحراف، التحيز). - تقديم القيمة للعمليات التجارية: ترجمة احتياجات العمل (مثل تقليل التسرب، زيادة معدل التحويل) إلى مشكلات في علوم البيانات. تفسير نتائج النماذج وتوصيل الرؤى إلى مالكي المنتجات وأصحاب المصلحة في العمليات التجارية. المساهمة في إثراء الأنظمة المصدرية وData Lakehouse بالبيانات التنبؤية.
الملف الشخصي للمرشح المطلوب
التعليم: درجة الماجستير (Bac+5) في الهندسة مع التخصص في علوم البيانات، أو الذكاء الاصطناعي، أو الإحصاء التطبيقي/الرياضيات. الخبرة: من 3 إلى 5 سنوات من الخبرة المثبتة في مشاريع النمذجة التنبؤية وأنظمة التوصية المماثلة. المهارات التقنية: إتقان تعلم الآلة: الخوارزميات التقليدية (الانحدار، التصنيف، التجميع، السلاسل الزمنية) والتعلم العميق (إن وجد). أطر عمل الذكاء الاصطناعي: إتقان مكتبات بايثون (Scikit-learn، Pandas، XGBoost، TensorFlow، أو PyTorch). البيانات الضخمة والأدوات: معرفة بالبيئات الموزعة (Spark/PySpark) وقواعد بيانات NoSQL (مثل Cassandra وMongoDB). العمليات والتكامل/النشر المستمر (Ops & CI/CD): الإلمام ببيئات الحاويات (Docker) وإدارة دورة حياة النماذج (MLOps). المنظومة التكنولوجية: Cloudera Data Platform، بنية الخدمات المصغرة (Microservices Architecture)، Kafka، بوابة واجهة برمجة التطبيقات (API Gateway - Axway)، وKeycloak. المنهجية: منهجيات العمل المرن Agile (Scrum of Scrums، اجتماعات المتابعة الأسبوعية). التعاون: فريق متعدد التخصصات (مهندسو البيانات، القائد التقني، مالكو المنتجات، الخبراء في المجال).
As a Senior Data Scientist, you will be responsible for the following tasks: - Development of predictive and prescriptive models: Design and train Customer Segmentation models (clustering, RFM, behavioral profiling). Develop personalized recommendation engines (collaborative filters, content-based filters, hybrid systems) to improve cross-selling and upselling. Develop Prediction and Detection models: Churn, propensity, risk scoring, transaction volume forecasting, and detection of anomalies/behavioral rules for anti-money laundering (AML). - Data and model engineering: Collaborate with Data Engineers to define features and prepare the necessary training pipelines from the Data Lakehouse (Cassandra, Hive, etc.). Implement MLOps best practices: model versioning, deployment automation, and production performance monitoring (drift, bias). - Business value delivery: Translate business needs (e.g., reduce churn, increase conversion rate) into Data Science problems. Interpret model results and communicate insights to Product Owners and business stakeholders. Contribute to enriching source systems and the Data Lakehouse with predictive data.
Desired Candidate Profile
Education: Master's degree (Bac+5) in Engineering with a specialization in Data Science, Artificial Intelligence, or Applied Statistics/Mathematics. Experience: 3-5 years of proven experience on similar predictive modeling and recommendation systems projects. Technical Skills: Mastery of Machine Learning: Classic algorithms (regression, classification, clustering, time series) and Deep Learning (if applicable). AI Frameworks: Mastery of Python libraries (Scikit-learn, Pandas, XGBoost, TensorFlow, or PyTorch). Big Data & Tools: Knowledge of distributed environments (Spark/PySpark) and NoSQL databases (Cassandra, MongoDB). Ops & CI/CD: Familiarity with containerization environments (Docker) and model lifecycle management (MLOps). Technological ecosystem: Cloudera Data Platform, Microservices Architecture, Kafka, API Gateway (Axway), Keycloak. Methodology: Agile working methodologies (Scrum of Scrums, weekly progress meetings). Collaboration: Multidisciplinary team (Data Engineers, Lead Tech, Product Owners, Subject Matter Experts).