Mission freelance data scientist à Lille (2026)

Decathlon déploie des modèles de machine learning d'une envergure mondiale remarquable : 100 millions de clients actifs dans 67 pays, 30 millions de références produits, une présence digitale en 26 langues. L'équipe data science interne de plus de 50 personnes à Villeneuve-d'Ascq fait régulièrement appel à des freelances pour des chantiers spécifiques. Les missions portent sur plusieurs sujets. Le moteur de recommandation : les architectures two-tower (encodeurs produits/utilisateurs entraînés sur les données comportementales) doivent gérer l'hétérogénéité des marchés — une recommandation pertinente pour un client français (football, cyclisme) diffère structurellement d'une recommandation pour un client brésilien (surf, volleyball de plage). Des techniques de meta-learning et de domain adaptation permettent de transférer les représentations appris sur les marchés denses vers les marchés moins dotés en données. La prévision de demande sur 30 millions de références : des modèles N-BEATS et Temporal Fusion Transformer (TFT) gèrent les saisonnalités fortes du sport et les nouvelles références sans historique (cold start). La stack technique est Python, PyTorch, MLflow, AWS SageMaker. Niveau attendu : confirmé à senior.

ADEO (maison-mère de Leroy Merlin, Brico Dépôt, Bricocenter) opère dans 13 pays avec 400+ magasins et mobilise des data scientists sur ses projets de supply chain ML à l'échelle mondiale depuis son siège de Ronchin (Lille). Les missions portent sur des problèmes de machine learning à très grande échelle. Les modèles de prévision de la demande pour l'approvisionnement : sur des dizaines de millions de paires article-magasin, des modèles de deep learning (LightGBM pour les articles avec historique long, modèles TFT pour les saisonnalités complexes) prévoient les ventes futures pour optimiser les réapprovisionnements et réduire les ruptures de stock et les sur-stocks. L'adaptation au contexte local : un marbre de salle de bains se vend différemment en France, en Pologne et au Brésil — des modèles d'adaptation de domaine apprennent à transférer les patterns appris sur les marchés matures vers les marchés en développement. L'optimisation de l'assortiment : des algorithmes de clustering et de recommandation suggèrent les additions ou suppressions de références en fonction du comportement clients local. La stack technique est GCP/BigQuery pour les données, Python/PyTorch pour les modèles, et Vertex AI pour le déploiement. Une connaissance de GCP et BigQuery est quasi-indispensable.

La Redoute est un acteur original dans le paysage lillois du retail data science, car le ML fashion (mode textile) a des spécificités techniques que l'on ne trouve pas dans la grande distribution alimentaire ou le sport. Les missions data science chez La Redoute portent sur plusieurs domaines distinctifs. La recommandation visuelle de mode : les embeddings d'images vêtements (CLIP, modèles ViT fine-tunés sur des données mode) permettent de recommander des articles 'dans le même style' ou 'qui vont bien ensemble' — ce qui nécessite une représentation vectorielle qui capture non seulement les couleurs et formes, mais aussi le style et la saison. Le search et la catégorisation par NLP : les descriptions de produits fashion (matière, coupe, occasion, style) nécessitent des modèles NLP (CamemBERT pour les descriptions françaises) pour la catégorisation automatique et l'amélioration du moteur de recherche interne. La prédiction des tendances mode : des modèles d'analyse de données de navigation (quels styles sont consultés sans être achetés — indicateur d'intérêt en avance sur les achats) alimentent les équipes achats pour ajuster les collections. La gestion du cold start : en mode, 40-60 % du catalogue est renouvelé chaque saison — les modèles de warm start basés sur les attributs visuels permettent de générer des recommandations dès les premières heures de mise en ligne. Ces sujets sont rarement adressés par les data scientists généralistes et constituent un positionnement différenciant.

La concentration de trois architectures ML retail de rang mondial sur 30 km — Decathlon (Villeneuve-d'Ascq), ADEO/Leroy Merlin (Ronchin) et La Redoute (Roubaix) — est une exception française qui n'existe dans aucune autre métropole provinciale. Ces trois acteurs partagent des caractéristiques communes qui créent un marché data science premium : des volumes de données massifs (des dizaines de milliards d'événements clients annuels), des équipes ML internes expertes qui agissent comme des demandeurs exigeants et rigoureux, des missions qui durent plusieurs mois avec des renouvellements fréquents, et une culture de la prestation directe sans ESN intermédiaire. La différence principale avec Paris est la spécialisation : à Paris, les data scientists couvrent tous les secteurs. À Lille, se spécialiser en retail ML (recommandation, forecasting, computer vision retail) est le positionnement le plus efficace — la profondeur et la rareté des profils spécialisés justifient des TJM équivalents aux missions parisiennes avec un coût de vie inférieur de 25-30 %. Un data scientist freelance lillois spécialisé retail qui maîtrise les architectures two-tower, N-BEATS et les embeddings visuels est en position de force sur l'ensemble du marché français.

Avec BinchamTalent, votre dossier est visible directement par les Heads of Data, CDO et CTO qui lancent des projets data science, sans intermédiaire commercial. Vous négociez votre TJM en direct — sans marge d'ESN prélevée (typiquement 20-40 % du TJM facturé au client final). Le contrat est signé en direct avec l'entreprise cliente. BinchamTalent vérifie les recruteurs et leur sérieux, mais n'intervient pas dans la relation contractuelle une fois la mise en contact établie. En pratique, cela se traduit par une rémunération nette plus élevée pour des missions équivalentes, et une relation directe avec les équipes data — vous évitez les commerciaux d'ESN qui résument votre profil en quelques lignes et vous font parfois passer pour une ressource générique au lieu d'un expert spécialisé.

Oui, la data science est l'une des spécialités numériques où le full remote est le plus normalisé. Les livrables — modèles ML, notebooks documentés, APIs de scoring, rapports d'expérimentation — sont intégralement numériques et compatibles avec le travail à distance. En 2026, environ 65 à 70 % des missions freelance data science proposent le remote complet ou un hybride (1 jour sur site par semaine pour les réunions stratégiques et les ateliers métier). Les rares missions qui imposent du présentiel intensif concernent des projets sensibles (données de défense classifiées, données de santé très strictement encadrées) ou des phases de démarrage de mission nécessitant une immersion dans l'environnement technique et métier du client. BinchamTalent indique clairement pour chaque mise en contact les conditions de travail attendues par le recruteur, afin que vous n'ayez pas de mauvaise surprise une fois la discussion engagée.