Data Scientist, Consumer & Commercial Analytics Full Time

Data Scientist, Consumer & Commercial Analytics

Made by Gather – the company behind America’s fastest-growing kitchenware brands. Founded in 2003 by entrepreneur Shae Hong, Made by Gather makes super-premium design and innovation accessible through our brands Beautiful by Drew® and bella®. We’ve spent 20+ years developing our special sauce.

• Hybrid work schedule
• Summer Fridays
• Free access to fitness center with lockers and showers in office building
• Private courtyard
• Direct access to McGill metro station and REM station
• Adjacent to Time Out Market and other restaurants and retailers
• Dynamic environment surrounded by beauty; we provide coffee, drinks, and snacks

If you’re looking for a workplace that values initiative, creativity, and results while providing tools to grow through learning and development programs, this is the place for you.

About the Role

We’re looking for an early-career data scientist who loves digging into consumer data and turning it into answers. You’ll be the person the team turns to when a question needs more than a dashboard pull, when we need a forecast, a model, a segmentation, or a proper read on whether something caused what we think it did.

You’ll work closely with the insights, marketing, sales, demand planning, and product teams, and partner with our data analyst. You’ll be hands-on with data from day one.

This isn’t a “run the weekly report” job. You’ll be close to real commercial decisions: what to launch, what to price, where to advertise, what to cut, and you’ll have room to shape how we use data to answer the questions that move the business. If that sounds like the environment you want, this is the seat.

Responsibilities

• Build analyses that answer real commercial questions: which products are winning, which aren’t, why share is shifting, how media is performing, what consumers are saying, and where the white space is.
• Develop forecasts, price elasticity models, customer/audience segmentation, and lift/incrementality analyses to support pricing, assortment, innovation, and media planning.
• Clean, join, and model data from multiple sources into coherent analytical datasets
• Apply statistics well: significance testing, regression, basic time-series work, and knowing when a difference is real vs. noise.
• Analyze tests and experiments like A/B tests, holdouts, media mix reads, and tell the business what actually worked.
• Translate findings into clear charts and written takeaways that non-technical stakeholders can act on. The work isn’t done until someone can use it.
• Partner with the data analyst so your models and their reports tell the same story.

Qualifications

• 2–3 years of hands-on data science or advanced analytics experience, ideally with consumer, retail, CPG, or media data.
• Strong SQL against a cloud warehouse as comfort with warehouse patterns (joins on large tables, window functions, CTEs, query-cost awareness) matters more than the specific vendor.
• Strong Python (pandas, numpy; scikit-learn or statsmodels). Comfort in a notebook environment, querying directly in the warehouse.
• Solid statistics fundamentals — regression, significance testing, confidence intervals, basic forecasting. You can explain why a method is right for a problem, not just run it.
• Experience building at least one or two of the following from scratch: forecasts, segmentations, elasticity models, lift/incrementality analyses, or propensity models.
• Working knowledge of at least one BI/viz tool (Power BI, Tableau, Looker, or similar) for communicating results.
• Clear written communication. You can turn a model output into a two-sentence takeaway.
• Genuine curiosity about consumers and the products they buy. You read reviews for fun.

Bonus Qualifications

• Experience with syndicated data sources (Circana/IRI, Nielsen, NPD, Profitero, GWI, BERA, Yogi, Kantar).
• Retail media or digital marketing analytics exposure (Amazon Ads, Walmart Connect, Target Roundel, Meta, TikTok).
• Experience with causal inference methods (diff-in-diff, synthetic control, matched-market tests) or media mix modeling.
• Familiarity with survey/VOC data — MaxDiff, conjoint, segmentation analysis.
• Exposure to dbt, version control (git), and modern analytics engineering workflows

Scientifique des données, analytique consommateur et commerciale

Nous recherchons un·e scientifique des données en début de carrière, passionné·e par l’analyse des données consommateurs et capable de les transformer en réponses concrètes. Vous serez la personne vers qui l’équipe se tourne lorsqu’une question nécessite plus qu’un simple rapport : lorsqu’il faut une prévision, un modèle, une segmentation ou une analyse rigoureuse de causalité.

Vous travaillerez en étroite collaboration avec les équipes insights, marketing, ventes, planification de la demande et produit, ainsi qu’avec notre analyste de données. Vous serez directement impliqué·e dans les données dès le premier jour.

Ce poste ne consiste pas à produire des rapports hebdomadaires. Vous serez au cœur des décisions commerciales : quels produits lancer, à quel prix, où investir en publicité, quoi arrêter — avec la possibilité de façonner la manière dont les données sont utilisées pour orienter l’entreprise. Si cet environnement vous correspond, ce poste est fait pour vous.

Responsabilités

• Réaliser des analyses répondant à des questions commerciales concrètes : quels produits performent, lesquels moins, pourquoi les parts évoluent, comment les médias performent, ce que disent les consommateurs et où se trouvent les opportunités.
• Développer des prévisions, des modèles d’élasticité des prix, des segmentations clients/audience, ainsi que des analyses de lift/incrémentalité pour soutenir la tarification, l’assortiment, l’innovation et la planification média.
• Nettoyer, consolider et modéliser des données provenant de sources multiples afin de créer des jeux de données analytiques cohérents.
• Appliquer les méthodes statistiques avec rigueur : tests de significativité, régressions, bases de séries temporelles, et savoir distinguer un signal réel du bruit.
• Analyser des tests et expérimentations (A/B tests, groupes témoins, analyses média) et communiquer clairement ce qui a réellement fonctionné.
• Traduire les résultats en visualisations claires et en recommandations actionnables pour des parties prenantes non techniques. Le travail n’est terminé que lorsqu’il est utilisable.
• Collaborer avec l’analyste de données afin d’assurer la cohérence entre les modèles et les rapports.

Profil recherché

• 2 à 3 ans d’expérience pratique en data science ou analytique avancée, idéalement dans les secteurs consommation, retail, CPG ou médias.
• Excellente maîtrise de SQL sur un entrepôt de données cloud ; la compréhension des structures (jointures sur de grandes tables, fonctions de fenêtre, CTE, optimisation des coûts de requête) est essentielle, plus que l’outil spécifique.
• Maîtrise de Python (pandas, numpy ; scikit-learn ou statsmodels). À l’aise dans un environnement de notebook et avec des requêtes directes dans l’entrepôt.
• Solides bases en statistiques : régression, tests de significativité, intervalles de confiance, notions de prévision. Capacité à justifier le choix des méthodes.
• Expérience dans la création d’au moins un ou deux des éléments suivants : prévisions, segmentations, modèles d’élasticité, analyses de lift/incrémentalité ou modèles de propension.
• Connaissance d’un outil de visualisation/BI (Power BI, Tableau, Looker ou équivalent) pour communiquer les résultats.
• Excellentes compétences rédactionnelles : capacité à résumer un résultat en deux phrases claires.
• Curiosité naturelle pour les consommateurs et leurs comportements d’achat. Vous aimez lire les avis produits.

Atouts supplémentaires

• Expérience avec des sources de données syndiquées (Circana/IRI, Nielsen, NPD, Profitero, GWI, BERA, Yogi, Kantar).
• Expérience en analytique des médias retail ou du marketing digital (Amazon Ads, Walmart Connect, Target Roundel, Meta, TikTok).
• Connaissance des méthodes d’inférence causale (diff-in-diff, contrôle synthétique, tests par marchés appariés) ou du media mix modeling.
• Familiarité avec les données d’enquêtes/VOC (MaxDiff, conjoint, segmentation).
• Expérience avec dbt, le versionnement (git) et les workflows modernes d’analytics engineering.