Stage 2027 - IA/ML Engineer 50% R&D 50% Produit - Statistiques Bayésiennes
Quick Summary
Ekimetrics est un leader mondial de l'efficacité marketing et commerciale et des solutions d'IA à l'échelle. Depuis 2006,
Contexte
Les modèles marketing sont mis à jour à mesure que de nouvelles données arrivent : ventes hebdomadaires, résultats de campagnes, comportement des clients. Ils comprennent les marketing mix models (MMM), qui estiment le retour sur investissement de chaque canal média, ainsi que les modèles de demande et de promotion et les modèles de réponse client. Chaque mise à jour fait bouger les estimations, et la première question des métiers est : pourquoi ont-elles bougé ?
Notre équipe a développé une méthode qui y répond de façon exacte pour les modèles bayésiens. Elle répartit le déplacement de toute quantité a posteriori entre des groupes d'observations : semaines, campagnes, régions, segments de clients ou expériences. La méthode est en cours d'évaluation par les pairs. Un premier prototype sur le MMM suit déjà une estimation semaine après semaine et lève une alerte quand une mise à jour la déplace plus que prévu.
Sujet : pourquoi l'estimation a-t-elle bougé ? Attribution bayésienne en ligne pour les modèles marketing.
Volet recherche (environ 3 mois)
• Étendre l'attribution à l'apprentissage bayésien en ligne : mises à jour séquentielles, effets variables dans le temps (modèles linéaires dynamiques, filtre de Kalman), oubli des données anciennes.
• Distinguer les trois causes d'un déplacement à chaque mise à jour : les nouvelles données, un vrai changement du marché et une erreur dans un flux de données.
• Calibrer l'alerte de mise à jour : taux de fausses alertes et délai de détection, sur des données simulées dont la vérité est connue et sur des données publiques, pour le MMM et pour au moins un autre modèle marketing.
• Rédiger un article destiné à un public de statistique ou de marketing science.
Volet produit (environ 3 mois)
• Transformer la méthode en un module Python testé, compatible avec nos outils de modélisation bayésienne (le MMM en premier).
• Construire les sorties destinées aux métiers : une vue « ce qui a fait bouger l'estimation » et une alerte de mise à jour.
• Les valider avec des consultants sur des cas réels, puis les documenter et les transmettre à l'équipe produit.
Livrables attendus
• Un article soumis à une revue ou une conférence à comité de lecture.
• Un module Python testé et documenté, intégré à nos outils de modélisation.
• Un guide court pour les consultants : comment lire et expliquer une attribution.
Profil
• Étudiant ou étudiante en dernière année de master ou d'école d'ingénieurs, en statistique, science des données ou probabilités.
• Statistique bayésienne (prior, posterior, MCMC), et idéalement séries temporelles ou modèles à espace d'états.
• Bonne maîtrise de Python (NumPy, une librairie de programmation probabiliste comme PyMC ou NumPyro), Git, tests unitaires.
• Intérêt pour l'application de la statistique au marketing et pour l'explication des résultats à des non-spécialistes. Aucune connaissance préalable en marketing n'est requise. Rédaction claire en anglais.
Location & Eligibility
About this job
- Who can apply
- France
- Posted
- Today
Listing Details
- Posted
- November 18, 2026
- First seen
- November 18, 2026
- Last seen
- November 18, 2026
Posting Health
- Days active
- 0
- Repost count
- 0
- Trust Level
- 70%
- Scored at
- November 18, 2026
Signal breakdown
4 other jobs at
View all →Similar Machine Learning Engineer jobs
View all →Stay ahead of the market
Get the latest job openings, salary trends, and hiring insights delivered to your inbox every week.
No spam. Unsubscribe at any time.
