Data Scientist

J'arrive et trouve un message Slack en attente : l'équipe marketing a besoin de prédictions de churn pour vendredi. Après mon premier café, je lance un notebook Jupyter et récupère trois mois de données comportementales client, à la recherche de valeurs manquantes et d'anomalies tandis que mon esprit explore différentes approches d'ingénierie des features. En fin de matinée, je suis plongé dans une analyse exploratoire, visualisant les relations entre la durée d'abonnement et la fréquence d'utilisation. Le déjeuner se fait au bureau pendant que les modèles s'entraînent en arrière-plan. L'après-midi se partage entre l'ajustement des hyperparamètres et un appel de trente minutes où j'explique à un product manager pourquoi la régression logistique surpasse leur algorithme boîte noire préféré dans ce cas précis. Je crée un tableau de bord simple montrant le risque de churn prédit par cohorte. Avant de partir, je documente ma méthodologie—mon moi futur remerciera mon moi présent. Le travail reste invisible jusqu'au moment où il arrive sur le bureau de quelqu'un et change ce qu'il fera demain.