Ingénieur(e) Analytics

GO ROCK IT
, c'est l'incontournable Agence de talents spécialisée dans les secteurs des technologies de l'information (TI) et du marketing numérique.

Notre Agence se démarque pour la diversité et la richesse de l'expertise de ses talents, et pour le savoir-faire de son équipe de recrutement et de gestion de talents. Nous sommes au service de nos talents, pour répondre aux besoins de clients.

En recherche d'amélioration continue, nous sommes déterminés à garantir des pratiques de recrutement justes et équitables pour tous. Notre processus de recrutement est entièrement transparent. Si le rôle qu'on te propose aujourd'hui n'est pas le bon pour toi, trouvons-en un qui le soit Travaillons ensemble pour s'assurer que tu atteignes tes objectifs professionnels

À propos du poste :

Nous recherchons actuellement
un(e) Ingénieur·e en analytique et apprentissage machine / Analytics & ML Engineer
pour rejoindre l'équipe de l'un de nos partenaires stratégiques à Montréal.

Rattachement
: Direction IA et gestion des données

Mission

Concevoir, déployer et maintenir des solutions analytiques et des modèles d'apprentissage machine qui soutiennent les décisions d'affaires.

Tu seras responsable de bout en bout d'un premier projet stratégique : développer un modèle prédictif, l'intégrer dans l'écosystème de données (AWS / Snowflake) et mettre en place son monitoring en production (performance, dérive, qualité des données).

À propos de l'équipe

L'équipe IA et gestion des données travaille en étroite collaboration avec les unités d'affaires et les équipes TI. Tu joueras un rôle clé sur l'axe « Analytics + ML », à l'interface entre la BI, l'ingénierie de données et la science des données. De plus, tu collaboreras étroitement avec le directeur, tant dans la conception de solutions que dans l'approche scientifique adoptée.

Responsabilités

• Concevoir, développer et maintenir des pipelines de données (ETL/ELT) pour alimenter les cas d'usage analytiques et les modèles ML.
• Développer des modèles prédictifs (apprentissage supervisé, scoring, segmentation, etc.) : de l'exploration au déploiement en production.
• Mettre en place le monitoring des modèles : suivi des performances, dérive des données (data-shift), qualité des données, alertes, etc.
• Concevoir et maintenir des tableaux de bord BI et des modèles sémantiques (Power BI, Tableau, etc.) pour rendre les données accessibles aux équipes métiers.
• Appliquer une méthodologie scientifique rigoureuse : formulation d'hypothèses, conception d'expériences, définition de métriques et validation de modèles.
• Collaborer avec les équipes d'affaires pour comprendre les besoins, traduire les questions en problématiques analytiques, et communiquer les résultats de façon claire et actionnable.
• Documenter les jeux de données, les modèles, les pipelines, et contribuer aux bonnes pratiques MLOps(automatisation, traçabilité, reproductibilité).

Compétences requises

• SQL : excellente maîtrise, idéalement dans un contexte d'entrepôt de données moderne.
• Python : solide expérience pour la manipulation et l'analyse de données (Pandas, NumPy, etc.).
• Visualisation & BI : expérience dans la création de rapports et tableaux de bord (Power BI, Tableau, Looker, etc.) et la conception de modèles sémantiques.
• Méthodologie d'apprentissage machine : bonne compréhension des étapes clés (préparation de données, séparation train/test, sélection de modèles, validation, évaluation).
• MLOps : compréhension des enjeux liés au déploiement et à l'exploitation de modèles (monitoring, réentraînement, gestion des versions, qualité des données).
• Statistiques appliquées : bases solides pour l'ingénierie de features, les tests d'hypothèses et l'évaluation de performances.
• Plateforme infonuagique (Cloud) et de données :
• Expérience avec Snowflake est un plus.
• Expérience avec AWS (S3, Glue, Lambda, etc.) et/ou des plateformes de Cloud ML (ex. SageMaker ou équivalent) est un plus.

Profil recherché

• Environ 2–3 ans d'expérience en analytique / BI / data science / ML dans un environnement de données moderne.
• À l'aise aussi bien avec la modélisation analytique (dashboards, KPI, analyses ad hoc) qu'avec l'apprentissage machine (modèles prédictifs en production).
• Capacité à porter un projet de bout en bout : de la compréhension du besoin jusqu'au suivi en production.
• Sens pratique et rigueur : tu privilégies des solutions robustes, maintenables et bien documentées.
• Esprit collaboratif, capacité à vulgariser les sujets techniques auprès de différents interlocuteurs.