stage : Stage de Data engineering/Science pour la surveillance en santé publique (SurSaUD) - réf. DATA-STA-2026-08

Sujet du stage : Ce stage a pour objectif de contribuer à la mise en place d’une chaîne automatisée, à grande échelle, de traitement et de structuration des données issues du système SurSaUD, adaptée à l’analyse de séries temporelles multivariées en contexte de surveillance sanitaire (détection de signaux faibles, modélisation, prévision). Le ou la stagiaire participera à la fiabilisation, l’enrichissement et l’organisation d’un jeu de données massif, constitué de plusieurs centaines de milliers de séries temporelles, décrivant l’évolution d’indicateurs de santé selon différentes dimensions géographiques, temporelles, syndromiques et démographiques.

Missions du stage : Les tâches spécifiques du stagiaire seront précisées selon le profil du candidat. Le stage portera notamment sur les missions suivantes :

Pour la structuration et l’automatisation des données, le·la stagiaire sera amené·e à participer aux tâches suivantes :

• Collecte et structuration des données : mobiliser les différentes sources du système SurSaUD et leurs référentiels associés pour constituer un jeu de données cohérent et structuré.
• Constitution d’un jeu de données de référence: participer à l’élaboration d’un corpus structuré et documenté, destiné à l’évaluation comparative de méthodes de détection de signaux et de prévision.
• Construction d’un référentiel de séries temporelles : organiser les données en un corpus structuré selon plusieurs dimensions (géographiques, temporelles, syndromiques et démographiques), adapté aux analyses statistiques et exploratoires.
• Enrichissement contextuel : intégrer des données externes (caractéristiques sociodémographiques, calendrier scolaire, jours fériés, conditions météorologiques…) pour affiner l’analyse des séries et orienter les choix méthodologiques futurs (pré-sélection de variables explicatives).
• Contrôle qualité : mettre en place des procédures d’évaluation de la qualité des données incluant la détection et, si nécessaire, l’imputation des valeurs manquantes, l’identification des anomalies, ainsi que la définition d’indicateurs synthétiques de fiabilité.
• Documentation des traitements : produire une documentation technique complète (guides, scripts, structuration des jeux de données) et mettre en œuvre des pratiques garantissant la reproductibilité et la généralisation des travaux à d’autres sources de données (versioning, modularité des scripts).
• Optimisation des performances : adapter les traitements aux infrastructures de calcul de Santé publique France, en tenant compte des contraintes liées aux volumes importants de données manipulées.
• Automatisation des traitements : concevoir et implémenter une chaîne de traitement automatisée, garantissant la traçabilité, l’horodatage et la reproductibilité des processus.

Pour l’analyse et la valorisation des données, le·la stagiaire sera amené·e à participer aux tâches suivantes :

• Extraction de descripteurs temporels : compiler des indicateurs décrivant le comportement des séries (statistiques globales, saisonnalité, tendance, variabilité…) en vue d’une typologie des dynamiques observées.
• Analyse des corrélations et dépendances temporelles : étudier les relations entre les séries temporelles pour identifier des interactions ou des dépendances significatives entre indicateurs de santé ou dimensions géographiques.
• Analyse exploratoire et classification non supervisée : regrouper les séries selon leurs profils temporels afin d’identifier des tendances récurrentes ou atypiques et de mieux caractériser la diversité des comportements. 

Environnement de travail : Le stage s’intègre dans un environnement technique dynamique et collaboratif, mobilisant des outils de développement modernes, des langages adaptés à la science des données, et des infrastructures de calcul performantes. Le·la stagiaire évoluera au sein d’une équipe pluridisciplinaire, en interaction étroite avec des épidémiologistes, data scientists, statisticiens, ingénieurs et membres de la DSI ainsi que le RSSI.

Les principaux outils et technologies mobilisés incluent :

Langages : Python, R

• Environnement collaboratif : GitLab (versionning, intégration continue, gestion des issues)
• Automatisation et orchestration : Apache Airflow (déploiement, supervision des workflows), Docker
• Formats et bases de données : PostgreSQL, DuckDB, fichiers Parquet, CSV
• Environnements de développement : VS Code, Positron, IA Mistral
• Traitement intensif : Apache Spark, via les serveurs de calcul internes de Santé publique France

Profil recherché

Nous recherchons un·e stagiaire de niveau Master 2, idéalement en informatique, data science, statistique, mathématiques appliquées ou disciplines connexes. Le·la candidat·e doit avoir une bonne connaissance du langage Python et de R et avoir des connaissances en développement logiciel, notamment sur les bonnes pratiques telles que les tests unitaires, le versionning et l’intégration continue. Une expérience avec des outils comme GitLab, Airflow ou PostgreSQL serait un plus.

Le·la candidat·e devra faire preuve de bonnes capacités d’analyse, d’adaptation et d’organisation, ainsi que d’un réel esprit d’équipe pour évoluer au sein d’un environnement pluridisciplinaire. Ce stage offre l’opportunité de participer à des projets techniques innovants, au service de la surveillance de la santé publique, en étroite collaboration avec des experts en épidémiologie, data science et ingénierie, dans un cadre de travail stimulant, bienveillant et collaboratif.

Compétences spécifiques : 

Connaissance de l’ingénierie de données et des langages Python / R

 Maîtrise d’un logiciel spécifique : Langage Python et/ou R

 Connaissance sur les outils de versionning de code tels que Git/GitHub/GitLab

L’employeur

Santé publique France est l’agence nationale de santé publique française. Etablissement public de l’Etat sous tutelle du ministre chargé de la santé créé par l’ordonnance 2016-246 du 15 avril 2016, elle intervient au service de la santé des populations. Agence scientifique et d’expertise du champ sanitaire, elle a pour missions : 

1° L'observation épidémiologique et la surveillance de l'état de santé des populations ;

2° La veille sur les risques sanitaires menaçant les populations ; 

3° La promotion de la santé et la réduction des risques pour la santé ; 

4° Le développement de la prévention et de l'éducation pour la santé ; 

5° La préparation et la réponse aux menaces, alertes et crises sanitaires ; 

6° Le lancement de l'alerte sanitaire.

L’agence est organisée autour de 12 directions scientifiques, transversales ou assurant le soutien à l’activité. 

Les orientations stratégiques de l’agence et son programme de travail, arrêtés par son Conseil d’administration, se déclinent en trois axes :  Consolider la capacité d’anticipation et de réponse réactive pour faire face aux menaces sanitaires ; Mesurer et évaluer l’ampleur des maladies et des facteurs de risques pour guider leur prévention et leur contrôle ; Renforcer l’impact sur la santé dans toutes les politiques publiques et la prévention et promotion de la santé.

Le siège de l’agence est situé à Saint-Maurice (94). L’agence dispose d’implantations régionales auprès des agences régionales de la santé.