Data Scientist in Rotterdam, Zuid-Holland | Opdracht

Opdrachtomschrijving

Algemeen Binnen het Data Science Forecasting team werk je aan betrouwbare korte-termijnvoorspellingen van de netbelasting. De opdracht is specifiek gericht op het implementeren van het OpenSTEF model voor alle LS transformatoren. OpenSTEF is het netbeheer breed open source forecasting package voor korte termijn ( Doel en inhoud van de opdracht Volledig draaiende openSTEF implementatie voor de 23.000 LS tranformatorpunten met geïmplementeerde features voor kwaliteitsverbetering. Samen met data scientists, machine-learning engineers, de Product Owner en stakeholders bepaal je welke verbeteringen de meeste forecastwinst opleveren. Je onderzoekt, implementeert en valideert deze verbeteringen, met expliciete aandacht voor productiegeschiktheid, uitlegbaarheid en herbruikbaarheid. Analyse van de huidige forecastkwaliteit en selectie van locaties, horizons en situaties met het grootste verbeterpotentieel. Backtesting en benchmarken van OpenSTEF-methoden tegenover de bestaande referentie, met passende kwaliteitsmetrics en segmentatie. Verbeteringen voor lastige patronen, zoals flatlines, pieken, ontbrekende waarden, onvoorspelbare assets en beperkte historische data. Experimenten met modelselectie, ensembles, kalibratie en betrouwbaarheidsintervallen. Verkenning en validatie van foundation-model-capabilities zodra deze toepasbaar en verantwoord inzetbaar zijn. Vertaling van succesvolle experimenten naar onderhoudbare Python-code, tests, configuratie en reproduceerbare pipelines. Verbetering van monitoring op forecastkwaliteit, datakwaliteit en modelgedrag. Bijdragen aan OpenSTEF, bijvoorbeeld via issues, documentatie, reviews of pull requests, wanneer een verbetering ook voor de community waardevol is. Kennisoverdracht aan het team en heldere documentatie van keuzes, resultaten en vervolgstappen. Skillset/profiel: Je kunt hypotheses snel toetsen, maar weet ook wat nodig is om een model betrouwbaar in een kritische productieketen te laten landen. Afgeronde WO-opleiding in data science, econometrie, wiskunde, statistiek, elektrotechniek, computer science of een vergelijkbare richting. Aantoonbare ervaring met time-series forecasting en machine learning in een professionele omgeving. Zeer goede beheersing van Python, inclusief testing, code reviews en versiebeheer. Ervaring met backtesting, experimentopzet, modelvergelijking en forecastmetrics. Ervaring met productieomgevingen, MLflow/MLOps en bij voorkeur Databricks en Azure. Bekendheid met probabilistische forecasting, kalibratie, ensembles of foundation models is een sterke pré. Ervaring met open-sourceontwikkeling of bijdragen aan een technische community is een pré. Je communiceert helder met zowel technische collega’s als businessstakeholders en legt keuzes transparant vast. Je werkt zelfstandig, zoekt actief samenwerking en draagt aantoonbaar kennis over. Eisen Akkoord procedure en (broker) voorwaarden Voor brokervoorwaarden: https://www.stedin.net/werken-bij/werkgebied-inhuur – Tariefindexatie is niet toegestaan – Tarieven dienen all-in te zijn. Losse declaraties zijn niet toegestaan – Na één kalenderjaar kan de kandidaat eventueel kosteloos worden overgenomen door Stedin – Indien er sprake is van een deta-vastconstructie dien je de salarisindicatie van de kandidaat te vermelden en eventuele secundaire arbeidsvoorwaarden. – Bij gunning van een zzp'er via een bureau sluit de zzp’er een overeenkomst met de broker. Het bureau ontvangt een fee-overeenkomst van de broker. Door aanbieding van de zzp'er verklaart de leverancier akkoord te gaan met deze voorwaarde. – Bij gunning van een kandidaat in dienst van een detacheringsbureau, wordt de overeenkomst gesloten tussen de broker en het bureau waar de kandidaat in dienst is. Mocht de aanbieding gedaan zijn door een derde partij, dan wordt daarmee een fee-overeenkomst gesloten met de broker. Door aanbieding van de kandidaat verklaart de leverancier akkoord te gaan met deze voorwaarde Kandidaat dient de Nederlandse taal machtig te zijn (min niveau C1) in woord en geschrift, tenzij anders aangegeven. Een aanbieding op deze aanvraag is hierbij een akkoordverklaring De kandidaat heeft minimaal een afgeronde WO-opleiding in data science, econometrie, wiskunde, statistiek, elektrotechiek, computer science of een vergelijkbare richting De kandidaat heeft aantoonbare ervaring met time-series forecasting en machine learning in een professioele omgeving De kandidaat heeft een zeer goede beheersing van Python, inclusief testing, code reviews en versiebeheer De kandidaat heeft ervaring met backtesting, experimentopzet, modelvergelijking en forecastmetrics De kandidaat heeft aantoonbare ervaring met productieomgevingen, MLflow/MLOps en bij voorkeur Databricks en Azure Graag marktconform aanbieden. Tarieven dienen all in te zijn. Losse declaraties zijn niet toegestaan Het CV is voorzien van referenties (naam, functie en contactgegevens referent) of deze kunnen op aanvraag aangeleverd worden Wensen Via welke broker dient de opdracht te lopen in het geval van gunning? 0(ALLEEN BIJ KEUZE TUSSEN ZZP EN DETACHERING) Via welke inleen-constructie wordt de kandidaat aangemeld? – ZZP – Detachering Is de kandidaat eerder werkzaam geweest binnen Stedin? Indien kandidaat eerder werkzaam is geweest binnen Stedin dan dient de reden van vertrek in het CV te staan. Tevens worden intern referenties ingewonnen. Mocht de reden van vertrek en de referentie(s) niet overeenkomen, dan wordt de toelating in het Dynamisch Aankoopsysteem ontnomen. Let op: Nee, de kandidaat is niet eerder werkzaam geweest binnen Stedin Opleidingen: WO Competenties Goed kunnen plannen Verantwoordelijkheidsgevoel Flexibele instelling Goede communicatieve vaardigheden Resultaatgericht Proactief Luistervaardig Doel en inhoud van de opdracht Volledig draaiende openSTEF implementatie voor de 23.000 LS tranformatorpunten met geïmplementeerde features voor kwaliteitsverbetering. Samen met data scientists, machine-learning engineers, de Product Owner en stakeholders bepaal je welke verbeteringen de meeste forecastwinst opleveren. Je onderzoekt, implementeert en valideert deze verbeteringen, met expliciete aandacht voor productiegeschiktheid, uitlegbaarheid en herbruikbaarheid. • Analyse van de huidige forecastkwaliteit en selectie van locaties, horizons en situaties met het grootste verbeterpotentieel. • Backtesting en benchmarken van OpenSTEF-methoden tegenover de bestaande referentie, met passende kwaliteitsmetrics en segmentatie. • Verbeteringen voor lastige patronen, zoals flatlines, pieken, ontbrekende waarden, onvoorspelbare assets en beperkte historische data. • Experimenten met modelselectie, ensembles, kalibratie en betrouwbaarheidsintervallen. • Verkenning en validatie van foundation-model-capabilities zodra deze toepasbaar en verantwoord inzetbaar zijn. • Vertaling van succesvolle experimenten naar onderhoudbare Python-code, tests, configuratie en reproduceerbare pipelines. • Verbetering van monitoring op forecastkwaliteit, datakwaliteit en modelgedrag. • Bijdragen aan OpenSTEF, bijvoorbeeld via issues, documentatie, reviews of pull requests, wanneer een verbetering ook voor de community waardevol is. • Kennisoverdracht aan het team en heldere documentatie van keuzes, resultaten en vervolgstappen. Skillset/profiel: Je kunt hypotheses snel toetsen, maar weet ook wat nodig is om een model betrouwbaar in een kritische productieketen te laten landen. • Afgeronde WO-opleiding in data science, econometrie, wiskunde, statistiek, elektrotechniek, computer science of een vergelijkbare richting. • Aantoonbare ervaring met time-series forecasting en machine learning in een professionele omgeving. • Zeer goede beheersing van Python, inclusief testing, code reviews en versiebeheer. • Ervaring met backtesting, experimentopzet, modelvergelijking en forecastmetrics. • Ervaring met productieomgevingen, MLflow/MLOps en bij voorkeur Databricks en Azure. • Bekendheid met probabilistische forecasting, kalibratie, ensembles of foundation models is een sterke pré. • Ervaring met open-sourceontwikkeling of bijdragen aan een technische community is een pré. • Je communiceert helder met zowel technische collega’s als businessstakeholders en legt keuzes transparant vast. • Je werkt zelfstandig, zoekt actief samenwerking en draagt aantoonbaar kennis over.