Westhouse ist eines der führenden internationalen Recruitment Unternehmen für die Vermittlung von hochqualifizierten Fachexperten in Bereichen wie IT Life Cycle, SAP, Engineering, Kaufmännischem und Fachberatung.
Für unseren Kunden suchen wir aktuell eine/n Data Scientist – Python (Polars & Pandas), Machine Learning, AWS, Eisenbahn (m/w/d) - Remote & Frankfurt am Main.
Ihre Aufgaben
1. Datenanalyse & Feature Engineering: Durchführung komplexer, anlassbezogener Datenanaly-sen zur Identifikation relevanter Einflussfaktoren für Prognosemodelle. Aufbereitung, Exploration und Transformation großer Datenmengen unter Einsatz von Python (z. B. pandas, polars) sowie SQL. Entwicklung robuster Features zur Verbesserung der Modellgüte.
2. Entwicklung von Prognose- & Machine-Learning-Modellen: Konzeption, Implementierung und Training statistischer Modelle sowie Machine-Learning- und Zeitreihenmodelle (z. B. Regression, Neural Networks). Auswahl geeigneter Modellansätze in Abhängigkeit von Datenlage und fachli-cher Fragestellung unter Berücksichtigung von Interpretierbarkeit und Skalierbarkeit.
3. Modellvalidierung & Qualitätsmessung: Definition, Berechnung und Interpretation geeigneter Metriken zur Bewertung der Modellqualität Durchführung von Cross-Validation, Backtesting und Stabilitätsanalysen zur Sicherstellung belastbarer und generalisierungsfähiger Prognosen.
4. Modellvergleich & Performance-Monitoring: Systematischer Vergleich unterschiedlicher Model-lansätze anhand standardisierter Evaluationsframeworks. Überwachung der Modellperformance im Zeitverlauf (Model Drift, Data Drift) sowie Identifikation von Abweichungen zwischen Prognosen und Ist-Werten.
5. Operationalisierung & Integration: Unterstützung bei der Integration von Prognosemodellen in produktive Datenpipelines in AWS und analytische Anwendungen. Zusammenarbeit mit Data En-gineers und BI-Entwickler zur Bereitstellung von Modellergebnissen für Reporting-, Planungs- und Entscheidungsprozesse.
6. Datenqualität & Modellrobustheit: Sicherstellung einer hohen Datenqualität als Grundlage ver-lässlicher Prognosen durch Plausibilitätsprüfungen, Ausreißeranalysen und Missing-Data-Kon-zepte. Bewertung der Sensitivität von Modellen gegenüber Datenänderungen und Annahmen.
7. Dokumentation & Kommunikation: Nachvollziehbare Dokumentation von Modellannahmen, Trainingsprozessen und Qualitätsergebnissen. Aufbereitung und verständliche Kommunikation der Prognosegüte, Unsicherheiten und Limitationen gegenüber Fachbereichen und Management.
8. Kontinuierliche Verbesserung: Iterative Weiterentwicklung bestehender Modelle auf Basis neuer Daten, Feedback aus den Fachbereichen und veränderter Rahmenbedingungen. Aktive Beobach-tung neuer Methoden und Best Practices im Bereich Forecasting und Model Evaluation.
9. Governance, Security & Compliance: Implementierung von IT-Sicherheitsrichtlinien und regula-torischen Anforderungen (Compliance) sowie DB-Betreibervorgaben und Programmierrichtlinien. Sicherstellung des Datenschutzes und der Sicherheit in der Datenverarbeitung.
Interessiert?
Elvin Cagi
Tel.:
Fax.:
Email:
Share posting
Ihre Qualifikationen
10. Bitte nur bewerben, wenn ALLE Kriterien erfüllt sind:
11. MUSS-Kriterien:
12. Mindestens 5 Jahre praktische Erfahrung in der Konzeption, Implementierung und Validie-rung von Prognose‑, Machine‑Learning‑ und Zeitreihenmodellen unter produktionsnahen Bedingungen.
13. Mindestens 5 Jahre praktische Erfahrung mit Python, insbesondere pandas oder polars, zur Datenanalyse, Feature Engineering und Modellentwicklung
14. Mind. 2 Jahre praktische Erfahrung mit SQL zur Datenabfrage und -aufbereitung
15. Mind. 3 Jahre Erfahrung und fundierte Kenntnisse in Modellvalidierung und Qualitätsmessung: Sichere Anwendung gängiger Evaluationsmetriken sowie Erfahrung mit Cross‑Validation und Stabilitätsanalysen.
16. Mind. 3 Jahre praktische Erfahrung in der verständlichen Aufbereitung und Kommunikation von Modellannahmen, Prognosegüte, Unsicherheiten und Limitationen gegenüber Fachbereichen und Management.
17. SOLL-Kriterien:
18. Praktische Erfahrung aus 2 Projekten in der Konzeption, Implementierung und Validierung von Prognose‑, Machine‑Learn-ing‑ oder Zeitreihenmodellen auf Ba-sis van Graphdatenbanken.
19. Praktische Erfahrung aus 1 Projekt in der Integra-tion von Prognosemodellen in pro-duktive Datenpipelines in AWS.
20. Praktische Erfahrung aus 1 Projekt in der Aufbereitung und Analyse von Daten aus der Leit- und Sicherungstechnik im Eisenbahnverkehr.