Cyril N.

Conception et déploiement de modèles avancés de prévision de la demande pour le Global Travel Retail, visant à prédire les volumes de ventes (bouteilles) par aéroport, cluster d’aéroports, catégorie de produits et Maison, dans un contexte de forte saisonnalité et de dépendance au trafic passagers.

Développement d’architectures de forecasting multi-niveaux combinant séries temporelles et machine learning, assurant la cohérence entre prévisions globales (région / cluster) et locales (aéroport / point de vente), afin de soutenir les décisions de revenue management, allocation de stocks et planification commerciale. Intégration de facteurs exogènes clés (trafic aérien, saisonnalité touristique, événements, historiques promotionnels, mix passagers) pour améliorer la robustesse des prévisions et anticiper les risques de rupture ou de surstock.

Conception et mise en œuvre de modèles de Marketing Mix Modeling (MMM) pour Moët & Chandon et Hennessy sur le marché US (principal marché du groupe), afin de mesurer l’impact incrémental des investissements média et d’optimiser l’allocation des budgets entre Maison × Marché × Canal.

Mise en place d’un framework “Smart Execution” facilitant l’activation opérationnelle des recommandations issues des modèles (forecasting, MMM, pricing), avec suivi de la performance sur les KPI clés (volume, CA, CTR, VTR).

Pilotage d’une équipe pluridisciplinaire de data scientists pour le développement et le déploiement d’une solution SaaS dédiée à l’optimisation des budgets marketing et au pilotage du revenu.

Conception et mise en œuvre de modèles de Marketing Mix Modeling bayésiens (PyMC, Lightweight-MMM) afin d’optimiser les investissements médias (TV, digital, print) sur plusieurs marchés internationaux.

Développement d’un optimiseur d’allocation budgétaire basé sur la programmation linéaire (Gurobi), intégrant contraintes business et opérationnelles, déployé dans plus de 20 pays.

Intégration de modèles de rupture de stock (out-of-stock) pour prendre en compte les contraintes de la supply chain dans les décisions marketing et maximiser l’impact réel des investissements.

Conception de modèles de pricing et de promotion pour accompagner des stratégies d’ajustement des prix dans un contexte d’inflation et soutenir des décisions data-driven à fort enjeu business.

Solutions déployées sur des environnements cloud AWS avec exploitation des données via Snowflake, dans un contexte de production à grande échelle.

⸻

Développement de modèles d’acquisition client dédiés à l’activation et à l’optimisation des audiences Facebook Lookalike, à partir de signaux comportementaux, transactionnels et de valeur client (LTV), afin d’améliorer la qualité des utilisateurs acquis et le ROI des campagnes.

Conception et mise en production de modèles de Customer Lifetime Value (CLV) pour piloter le ciblage des offres in-app, fiabiliser les prévisions de revenus et orienter les stratégies d’acquisition vers les profils à plus forte valeur.

Mise en place d’un framework d’attribution multi-touch combinant canaux online (Facebook, Google, TikTok) et offline (TV, parrainage), permettant une mesure avancée de la performance marketing et une allocation plus efficiente des budgets d’acquisition.

Développement d’un framework d’optimisation budgétaire pour arbitrer dynamiquement les investissements marketing entre canaux et maximiser le ROI global.

Implementation d’un recommender engine de type “Next Best Offer / Next Best Action”, visant à recommander la meilleure offre de cashback en fonction des transactions récentes, du profil de dépenses et des comportements utilisateurs, avec pour objectif l’augmentation de l’engagement et du LTV uplift.

Conception de modèles de segmentation client afin d’identifier les utilisateurs à forte valeur et soutenir des stratégies ciblées d’abonnement, d’incitation et de rétention.

Solutions déployées en environnement fintech sur Google Cloud Platform (GCP), dans un contexte de production à grande échelle.