Data Scientist > 5a - CJO | ML, Recommandation, Attribution & LLM @ Marseille - Freelance

Data Scientist Senior – Customer Journey Optimization | ML, Recommandation, Attribution & LLM

Séniorité : Senior – > 5 ans d’expérience
Démarrage souhaité : Octobre 2026
Durée : 3 mois renouvelable
Présence sur site : 2 jours par semaine

Contexte / Enjeux

Dans le cadre du renforcement d’une équipe Customer Journey Optimization (CJO) , nous recherchons un Data Scientist Senior pour développer des modèles analytiques avancés permettant d’optimiser les parcours clients, d’améliorer la conversion, de personnaliser l’expérience digitale et de maximiser la performance des actions marketing et opérationnelles.

La mission couvre notamment des problématiques de clustering, recommandation, prédiction, attribution, IA/LLM et développement Python avancé .

Le Data Scientist interviendra au cœur des sujets clés du Customer Journey Optimization :

• compréhension du comportement utilisateur ;

• détection des points de friction ;

• optimisation du funnel ;

• attribution multi-touch ;

• prédiction des besoins ;

• personnalisation dynamique ;

• intégration de l’IA générative dans les processus d’analyse et de recommandation.

L’objectif est d’apporter des insights actionnables , de construire des modèles robustes et de développer des solutions automatisées afin d’accélérer la transformation data-driven des parcours clients.

Missions détaillées

Clustering & segmentation comportementale

• Segmenter les utilisateurs selon leurs comportements au sein du parcours : navigation, bookings et usages digitaux.

• Identifier les personas, micro-segments, intentions utilisateurs et points de friction.

• Mettre en œuvre des méthodes de clustering, notamment K-means .

• Construire une clusterisation client actionnable et alignée avec les différents parcours.

Systèmes de recommandation VAS

• Développer des systèmes permettant de recommander de manière personnalisée des contenus, services ou VAS en fonction du parcours client.

• Concevoir des approches de type hybrid recommender , combinant filtrage collaboratif, contenu et modèles séquentiels.

• Utiliser ces recommandations afin d’améliorer la conversion, guider les utilisateurs et optimiser les interactions clés.

Modèles prédictifs CJO

• Développer des modèles de prédiction de la conversion , du churn et de la probabilité de complétion d’un funnel.

• Réaliser du forecasting des volumes aux différentes étapes du parcours, notamment sur les bookings.

• Mettre en place des modèles de classification des comportements : drop-off, intent prediction, scoring .

• Construire des modèles prédictifs et scores CJO autour de problématiques telles que la conversion ou l’awareness.

Modèles d’attribution avancés

• Concevoir des modèles d’ attribution multi-touch (MTA) appliqués aux parcours digitaux.

• Mettre en œuvre des modèles de Markov de premier et deuxième ordre ainsi que les Shapley Values .

• Mesurer le poids des différents touchpoints : email, WalkMe, AB Tasty, notifications et pages clés .

• Calculer le ROI des actions CJO.

• Identifier les leviers les plus pertinents à activer.

• Construire un framework d’attribution complet.

IA générative & LLM

• Développer des modèles basés sur les LLM capables d’interpréter automatiquement les résultats analytiques.

• Détecter les irritants et comprendre les variations observées dans les données.

• Automatiser la synthèse des enseignements clés issus des analyses.

• Concevoir des systèmes d’IA générative produisant des recommandations pertinentes à partir des résultats disponibles.

• Exploiter notamment les informations liées au profiling intelligent, aux performances, aux parcours, aux tests A/B et aux conversions afin d’orienter les décisions et d’optimiser les parcours clients.

Développement Python avancé & industrialisation

• Développer des systèmes modulaires pour le scoring, la segmentation, la recommandation et l’attribution .

• Appliquer les bonnes pratiques de clean code .

• Prototyper rapidement des modèles, analyses, POC et démonstrateurs dans des notebooks Jupyter/Python .

• Transformer ces prototypes en solutions structurées et industrialisables.

• Construire des pipelines Dataiku / Snowflake industriels et documentés.

• Développer des modules Python propres, modulaires, testés et maintenables.

• Participer au déploiement des modèles et à leur automatisation via les scénarios Dataiku et le job scheduling .

Stack technique

Data Science / Machine Learning

• Machine Learning supervisé et non supervisé

• Deep Learning

• Clustering / K-means

• Séries temporelles & Forecasting

• Recommender Systems

• Modèles séquentiels

• Feature Engineering

• Interprétabilité / SHAP

• Attribution multi-touch

• Markov 1er et 2e ordre

• Shapley Values

IA générative / NLP

• NLP

• LLM

• Embeddings

• Classification sémantique

• Prompt Engineering

• IA générative

Développement & Data

• Python avancé

• Programmation orientée objet – OOP

• Architecture modulaire

• Clean Code

• Jupyter Notebooks

• SQL

• Snowflake

• Dataiku DSS

• Dataiku Scenarios

• Job Scheduling

• Industrialisation et automatisation des modèles

Digital / Analytics

• Customer Journey Optimization

• Funnel Analytics

• UX Analytics

• Web Analytics

• A/B Testing

• WalkMe

• AB Tasty