Ingénierie
Freelance
100 % à distance
4 semaines
8 000 à 12 000 € HT
Mission pourvue

Data Scientist senior, estimation immobilière

Machine learning · Backtesting · DVF

Construire et backtester les modèles avec lesquels BrickBerry affine ses estimations à partir des transactions et des caractéristiques des biens.

Voir les missions

La mission

Cette mission portait sur les méthodes d’estimation à partir de données immobilières réelles : transactions DVF, DPE, caractéristiques des biens et contexte géographique, afin de construire des modèles robustes, explicables et utiles aux professionnels de l’immobilier.

Ce que vous réaliserez

Auditer les méthodes d’estimation existantes, la qualité des données disponibles et les limites des résultats actuels.
Construire un jeu d’apprentissage fiable à partir des transactions DVF et des enrichissements immobiliers, énergétiques et territoriaux pertinents.
Définir les variables explicatives et comparer plusieurs approches : modèles hédoniques, régressions régularisées, modèles d’arbres, gradient boosting et régressions quantiles.
Mettre en place des validations temporelles et géographiques, mesurer la performance par segment et prévenir les fuites de données.
Produire une estimation centrale, une fourchette de valeur et des facteurs de décote ou de surcote compréhensibles par les utilisateurs.
Backtester les modèles, documenter leurs hypothèses et préparer leur mise en production avec le produit et le développement.

Les livrables attendus

Un modèle d’estimation évalué et reproductible

Un audit des données disponibles et une préparation documentée du jeu d’apprentissage.
Le code des modèles comparés et un protocole de validation temporelle et géographique.
Un rapport de backtesting avec les performances par segment, les biais et les limites observées.
Un modèle retenu produisant une estimation centrale et une fourchette, avec les scripts et les instructions d’intégration.

La validation des livrables

Les résultats sont reproductibles à partir du code livré. Les fuites de données sont contrôlées et les métriques sont comparées à une référence définie au cadrage.

Profil recherché

Compétences

Une expérience confirmée en data science appliquée à des données réelles, hétérogènes et imparfaites.
Une maîtrise de Python, SQL et des bibliothèques courantes de statistique et de machine learning.
Une pratique solide de la modélisation, de la sélection de variables, de la validation croisée et du backtesting.
Une bonne connaissance des données immobilières françaises, en particulier DVF, et de leurs limites.
La capacité à expliquer les performances, les incertitudes et les limites d’un modèle à des interlocuteurs produit et métier.

Technologies et outils

Les atouts en plus

Une expérience sur un modèle automatisé de valorisation immobilière, des données géospatiales ou des sources comme le cadastre, le DPE et l’INSEE.

Mission pourvue

Cette mission est pourvue. Elle reste en ligne pour montrer le travail confié ; les missions ouvertes sont sur la page Nous rejoindre.