Dix-neuf ans à faire tenir des modèles en production.

Je commence par comprendre le problème, souvent mal posé. Je regarde ce que les données permettent vraiment de dire, je teste, puis je construis l'outil qui rendra la réponse utilisable par d'autres. C'est ce que j'ai fait dans la recherche, l'énergie, l'industrie et l'IA.

L'erreur la plus coûteuse que j'aie vue n'est pas un modèle faible. C'est un mois passé à modéliser le mauvais sujet, parce que personne ne l'avait reformulé avec ceux qui vivent le problème.

• Reformuler avant de coder.

  Une question mal posée coûte plus cher qu'un modèle approximatif. Je préfère passer une heure à la reformuler avec ceux qui vivent le problème, plutôt qu'un mois à modéliser le mauvais sujet.

• Tester avant de croire.

  Validation statistique, une période tenue à l'écart du réglage, et les limites écrites noir sur blanc. Si le résultat ne tient pas, je le dis, même quand c'est le mien.

• Aller jusqu'en production.

  Pipelines, cloud, qualité des données. Un modèle qui reste dans un notebook ne sert personne. Je livre des outils que l'équipe peut reprendre sans moi.

• 02 Ce qu'on peut affirmer avec 2 081 tirs 2 081 Deux sources rapprochées tir par tir, intervalles de confiance, et une conclusion négative assumée plutôt qu'enterrée.
• 06 Un résultat nul, publié quand même 8/8 230 matchs, différence-de-différences, huit intervalles qui traversent zéro. Publier un résultat nul est un livrable.
• 09 Un rang sur une saison reste bruité 0,65 → 0,85 Fiabilité mesurée d'une à trois saisons, et des bandes plutôt qu'un classement sec.

• Manager / Tech Lead Data Scientist · Forvis Mazars (2022–2026)

  Sept missions, six clients nommés : EDF R&D, Engie, Hapag-Lloyd, SpaceAble, Galileo, Creacard. Prévision du niveau du Rhin par deep learning pour estimer les frais de passage ; scoring clients enrichi en open data Insee ; prévision solaire passée en production.

• Data Scientist Senior · OpenField / XCo Analytics (2018–2022)

  Bâtiments connectés sur Azure : Data Factory, Functions, Data Lake, Databricks, Power BI. Appariement SIRET / raisons sociales en PySpark, et KPI de données spatiales avec protection des données de localisation.

• Data Scientist Senior · IRT-SystemX (2014–2018)

  Segmentation, prévision et désagrégation des consommations ; pipelines livrés en toolkits réutilisables aux partenaires du projet.

• Ingénieur de recherche, puis docteur · INRIA, Télécom SudParis (2008–2014)

  Prédiction de liens radio, modélisation PHY/MAC IEEE 802.15.4 avec le NIST, et un simulateur conçu et développé de bout en bout. Doctorat soutenu en 2012, mention Très Honorable.

Ces projets sont mon banc d'essai méthodologique : réconciliation de sources, validation temporelle, incertitude, résultats nuls publiés. Ils valent pour n'importe quel domaine où une décision coûte cher, pas seulement dans le football.

La différence, c'est qu'au football la décision est publique et immédiate : une composition le samedi, un recrutement en août. C'est l'endroit le plus exigeant que je connaisse pour défendre un chiffre.

Un poste de Senior ou Lead Data Scientist, à Nanterre ou à Paris, dans une équipe qui tient la même exigence : qu'une analyse serve à préparer une décision plutôt qu'à remplir une slide.

Disponible depuis juillet 2026, en CDI. Réponse sous 48 h.