Staff Data Scientist - Réseau

Relay remodèle fondamentalement la façon dont les marchandises circulent à l’ère du numérique. Soutenu par la plus grande série A logistique jamais réalisée en Europe (35 millions de dollars) dirigée par les investisseurs de haute technologie Plural, et par une série B récemment clôturée (95 millions de dollars), Relay évolue plus rapidement que 99 % des startups financées par du capital-risque. Nous rassemblons l'équipe la plus talentueuse que le secteur de la logistique ait jamais connue.
La mission de Relay est de libérer le commerce des frictions. Aujourd’hui, les coûts de livraison élevés agissent comme une taxe cachée sur le commerce électronique, déterminant discrètement ce qui peut être vendu en ligne et limitant les personnes pouvant y participer. Nous envisageons un monde dans lequel davantage de marchandises circulent plus librement entre un plus grand nombre de personnes, rendant l'expérience d'achat en ligne transparente et accessible à tous.

L'ÉQUIPE
• ~160 personnes, dont environ la moitié en ingénierie, produit et données
• Plus de 45 diplômes d'études supérieures en informatique, en mathématiques et en recherche opérationnelle
• Des milliers de points de données capturés, calculés, analysés et prédits pour chaque parcelle que nous traitons
• Une culture intellectuellement dynamique basée sur la réflexion sur les principes premiers, des boucles de rétroaction étroites et une expérimentation incessante

À propos du rôle
Le réseau Relay fonctionne grâce aux prévisions. Chaque équipe de tri libérée, chaque camionnette d'un kilomètre intermédiaire expédiée, chaque itinéraire du dernier kilomètre planifié, chaque décision d'expansion prise - tout cela en aval des modèles qui prédisent la manière dont les colis transitent dans notre système. Lorsque ces modèles sont corrects, le réseau fonctionne efficacement et le coût par colis diminue. Lorsqu’ils dérivent, les coûts augmentent à chaque étape de l’opération. L'équipe Réseau construit et maintient le moteur de prévision qui alimente tout cela, et la prévision de la demande en est le cœur : une prévision de ce qui sera disponible à trier, à la granularité du code d'origine, de J0 à D30.
En tant que Staff Data Scientist, vous êtes le point d’ancrage technique de la prévision de la demande. Vous possédez les parties les plus difficiles et les plus ambiguës de la prévision, et vous définissez la méthodologie et les normes de validation sur lesquelles le reste du domaine travaille. Cela signifie posséder une prévision intégrée unique du volume que le réseau devra déplacer, par zone et sur trente jours, que la couche de gestion de la demande transforme ensuite en plan opérationnel sur lequel fonctionnent les centres de tri et les équipes de transport. Cela signifie posséder la partie basée sur le modèle de cette prévision, où l'horizon dépasse toutes les données de suivi en direct et où les parcelles attendues doivent être générées à partir de modèles plutôt qu'observées. Cela signifie posséder la prévision du volume international entrant, l’un des problèmes de prévision les plus difficiles que nous ayons. Et cela signifie posséder les modèles qui prédisent la taille et le poids de chaque colis, qui transforment le nombre de colis en volume physique qui doit réellement être trié et chargé.
Il s'agit d'un rôle pratique. Vous passerez la plupart de votre temps à construire, pas à gérer. Vous définissez l'orientation de la manière dont Demand Forecasting modélise, évalue et expédie son travail, et vous élevez la barre technique dans l'ensemble du domaine, mais vous le faites en tant que contributeur individuel le plus expérimenté de la salle, sur les outils. Vous travaillerez aux côtés d'un Data Scientist senior responsable des prévisions de volume nationales, d'un ingénieur ML qui assure le fonctionnement fiable des modèles en production et d'un analyste responsable de l'exactitude des prévisions et de la qualité des données. Le leadership humain, la stratégie et les priorités inter-équipes relèvent du responsable de la science des données qui dirige l'équipe ; vous possédez la science.
Relay exploite une équipe de données centralisée d'environ 30 ingénieurs de données, analystes et scientifiques de données, avec des spécialistes intégrés dans les équipes de l'ensemble de l'entreprise. Vous ferez partie de l'équipe Réseau et relèverez de l'équipe de données centralisées. La prévision de la demande se développe et, en tant que membre du personnel DS, vous aurez la voix décisive sur son orientation technique et les approches de modélisation qu'elle adopte.

Ce que vous ferez

• Posséder les prévisions intégrées de bout en bout. Mélangez les signaux de suivi en direct à court terme avec les parcelles générées par le modèle plus loin dans une vue unique, par zone, d'aujourd'hui à trente jours à venir. C'est dans cette optique que la couche de gestion de la demande se transforme en plan sur lequel fonctionnent réellement les services de tri, de middle mile et de last mile.

• Construisez les modèles les plus difficiles de la région. Les prévisions à long terme générées par le modèle, les prévisions de volume entrant international et les modèles de taille et de poids des colis qui font de la prévision une mesure du volume physique plutôt qu'un simple décompte. Ce sont des problèmes ambigus et à fort effet de levier, et ils sont les vôtres.

• Définir la méthodologie et les normes de validation pour la prévision de la demande. Définissez comment les modèles sont évalués, comment la précision est mesurée à chaque horizon (une prévision faite à trente jours ne devrait pas être soumise aux normes d'une prévision faite à deux jours) et à quoi ressemble le « bon » dans les modèles de la zone.

• Relevez la barre technique. Passez en revue les approches, effectuez le choix du modèle et les décisions de construction ou d'achat, et encadrez le scientifique et l'analyste principal des données à vos côtés, sans assumer leur gestion hiérarchique.

• Définir les interfaces de la prévision. Décidez ce que la prévision de la demande confie à la couche de gestion de la demande, au routage et à la fonction de planification du réseau : avec quelle granularité, avec quelles garanties et comment l'erreur est attribuée lorsqu'un chiffre s'avère erroné.

• Apprenez les processus opérationnels servis par vos modèles, soutenus par l'équipe et les équipes qui utilisent les prévisions, et identifiez les points faibles de l'approche actuelle.

• Propre qualité de production dans l'ensemble du domaine, en collaboration avec l'ingénieur ML afin que les modèles soient surveillés, que la dérive soit détectée tôt et que les problèmes de précision soient attribués à la bonne cause plutôt que d'être réajustés aveuglément.

• Travailler avec les Finances, qui étendent les prévisions opérationnelles à des projections financières à plus long terme, pour assurer la fiabilité du transfert entre les modèles opérationnels et financiers.

• Quantifier l'impact de l'erreur de modèle sur le coût par parcelle et l'utiliser pour décider où la zone investit ses efforts.…

Source : Arbeitnow (https://www.arbeitnow.co.uk/jobs/companies/relay/staff-data-scientist-network-london-408439)