ALTERNANT Data Scientist

Description de l'offre

Liebherr Aerospace Toulouse (552 M€ de CA en 2017, 1327 salariés) est spécialisée dans la conception, le développement et la maintenance de systèmes de traitement de l’air dédiés à l’aéronautique (prélèvement, conditionnement, pressurisation …). Nous accompagnons tous les grands avionneurs mondiaux, les hélicoptéristes et plus de 300 compagnies aériennes. Avec 1327 salariés répartis sur les sites de Toulouse (31) et de Campsas (82), notre entreprise est un acteur majeur de l’industrie en Midi-Pyrénées, qui peut s’appuyer sur le Groupe familial Liebherr (42308 personnes dans le monde et 9 milliards d’euros de CA) .

Notre développement, privilégiant le long terme, est fondé sur la qualité de nos produits, sur notre maîtrise technologique et sur notre indépendance industrielle et financière.

Pour accompagner notre croissance, nous recherchons pour septembre 2018 un:

ALTERNANT Data Scientist

Liebherr Aerospace produit des systèmes de gestion et de conditionnement d’air pour l'aéronautique. Dans ce contexte, le DataLab a pour mission de développer des méthodes et outils dans le domaine data science pour supporter la démarche entreprise de réduction des coûts de développement, d’optimisation des procédés industriels et développement de nouveaux services digitaux. Le service Méthodes intervient lui dans différents domaines de l’industrialisation des produits : amélioration continue au sein des activités de production, définition des essais pneumatiques et électriques des équipements ainsi que la définition des procédés de contrôle.

Missions principales

La data science est devenue un enjeu immédiat et incontournable pour Liebherr. Dans le domaine industriel, elle est utilisée pour:

· Contribuer à optimiser les processus internes,
· Diminuer les coûts et améliorer la qualité.

L’objet de cette mission est de résoudre des problèmes de non qualité internes. Le principe est que dans le cas d’épidémie de non qualité sur un produit de collecter l’ensemble des données disponibles et d’identifier celles qui permettent d’expliquer l’épidémie afin de mener les actions correctives adaptées.

La chaine de production génère un grand nombre de données qui peuvent être explicatives :

· Tests intermédiaires sur le produit ou ses sous-ensembles,
· Réglages du produit ou de ses sous-ensembles,
· Logs de machines de production, tests finaux avant livraison …

Le projet suivra le déroulement usuel d’un projet Data Science : agrégation de données, description/data viz, sélection de variables, création de modèles prédictifs. Ces différentes étapes seront menées en collaboration continue avec les experts du domaine. Les techniques habituelles Data Science (Machine Learning en particulier) seront employées.

PROFIL :

Issu d’une formation Ingénieur Data Science, Mathématiques Appliquées

Connaissance de Python, R, Shiny, bdd SQL/NoSQL, Linux, Elasti