Mathieu Brothier

CONTEXTE

La direction marketing de Keolis souhaite mettre à profit leurs données pour être capable de prédire les ventes de tickets des distributeurs automatiques.

Les deux objectifs principaux de la mission sont la prédiction du chiffre d’affaires et l'amélioration de la maintenance du réseau.

Objectifs :

Approche :

Bénéfices :

APPROCHE

1 - Correction des données manquantes

2 - Création de variables de remplacements

3 - Utilisation d'algorithme à noyau

RÉSULTATS OBTENUS

L’outil de Machine Learning développé permet de réaliser une prédiction des ventes avec une précision moyenne de 96%.

Synthése des 12 semaines de projet :

Objectifs :

Approche :

Bénéfices :

Contexte :

Afin de développer au mieux ses nouvelles activités, Touton a mis disposition un historique de données pour travailler sur la fiabilisation du modèle statistique qui leur sert à prévoir la production de Cacao, dans leurs exploitations en Côte-D'ivoire et au Ghana.

Ma mission est d’analyser l’ensemble des données disponibles, les classifier, déterminer leur pertinence et comprendre la manière dont elles sont générées, afin de constituer le meilleur algorithme prédictif possible.

Méthodologie :

1 - Correction des données manquantes

2 - Création de nouvelles variables

3 - Utilisation d'algorithmes à noyau

Résultats :

Le travail effectué a permis de réduire de 20% le taux d'erreur de l'outil de prédiction de production de cacao.

L'outil que nous avons développé a dépassé la performance du modèle déjà en place, après seulement 16 semaines de travail. Les prédictions sont maintenant plus précises, il existe moins d’erreurs dans la nature des données et la restructuration des variables permet une amélioration en continu de l'outil, ce qui assure à Touton un ROI incrémental sur le projet.

Soucieux de valoriser la donnée que son activité génère, un site de distribution de Sanofi m'a confié un historique de 18 mois de données pour travailler sur l'optimisation des coûts logistiques, problématique centrale pour une entreprise qui achemine tous les jours des milliers de produits.

Nous avons développé notre réflexion autour de deux axes :

Quelles sont les données utilisées ?

Quelle signification leur attribuer dans le contexte étudié ?

Pour répondre à la question de l'optimisation des coûts de transport, notre équipe a travaillé simultanément sur les différents volets de la problématique. Des algorithmes spécifiques aux différents champs d'actions identifiés ont été appliqués sur des jeux de données indépendants, afin de valider le modèle retenu pour l'apprentissage.

Résultats : 200 000€ d'économie sur un site de distribution

ACTIONS SUR LES PARAMÉTRAGES :

La recherche de l'origine des anomalies générées par le système d'information a permis d’identifier les variables responsables de la situation, et d'y apporter des corrections offrant des résultats rapides.

ACTIONS SUR LES PROCESSUS :

Pour certaines des problématiques mises en évidence, la modification des processus, comme la prise en charge des commandes ou la gestion des stocks en fonction de la prévision des volumes, apporte des solutions applicables.