Mathilde Leparquier

Optimisation de la gestion des stocks et appui à la stratégie achat

Contexte :

Dans le cadre de l'amélioration de sa performance commerciale et logistique, les Galeries Lafayette souhaitent affiner leur pilotage des stocks pour mieux répondre aux enjeux de rentabilité, d’assortiment et de logistique. L’objectif est d’accompagner les différentes directions métiers (offres et achats, opérations, supply chain, e-commerce) dans la définition d’une stratégie d’achats et de répartition des produits, en tenant compte des contraintes fournisseurs, des typologies d’articles (saisonnier vs permanent), des canaux de vente et des objectifs de marge.

Tâches :

Animer les ateliers avec les différents métiers dans l’objectifs de faire émerger les irritants, valider les croyances terrain, cadrer les besoins et aligner les objectifs

Formaliser les cas d’usages et leur valeurs ajoutée, identifier les priorités et construire une feuille de route

Solution technique :

• Analyses différenciées saisonnier/permanent

• Segmentation produits selon leur contribution (CA, marge, volume)

• Analyse causale des ruptures (retards fournisseurs, délai d’appro, mauvaise prévision)

• Modélisation du manque à gagner, du surstock, des coûts logistiques

Recommandation sur les volumes d’achat en début de saison (plus ou moins risquée en fonction des statuts fournisseurs) et recommandation sur les quantités d’article à avoir en stock à un endroit à un moment.

Outils : SQL, Python

Évangélisation data, détection de cas d’usage et validation de la valeur métier

Contexte :

Total Angola souhaitait explorer les opportunités offertes par la data science à travers l’ensemble de ses directions opérationnelles (exploration, production, maintenance, finance, RH, etc.). L’objectif était double : acculturer les équipes aux enjeux et possibilités de la data et identifier les cas d’usage les plus prometteurs ET développer les solutions des uses cases identifiés sous forme de POC (Proof of Concept) et POV (Proof of Value) en faisant monter en compétences les équipes data. A terme, le but est de gérer un dataplateforme avec : acquisition de la donnée, exploitation de la donnée et exposition de la donnée

Tâches :

Préparer et mener des ateliers avec les différents métiers

Définir la data science et expliquer ce qu’elle pourrait apporter en fonction des problématiques spécifiques

Cadrer en fonction du use case les besoins et ressources nécessaires au projet, les différentes étapes, établir un planning

Uses cases identifiés :

Back Allocation : Etablir l’équation de 3 débits liés en fonction de données de température et de pression sur l’ensemble des plages de conditions opérationnelles possibles

Slug Prediction

Mise en œuvre technique (Back Allocation) :

Comportement linéaire observé, avec un changement de variable explicative selon le débit ou la zone d’observation

Apprentissage d’un Model Tree ou Arbre de Régressions : un arbre de décision où les feuilles sont des modèles de régression

Apprentissage d’un Multi-output regression : plusieurs variables cibles simultanément, en fonction des mêmes variables explicatives

Outils : Elastic Search, Python

Amélioration du processus de gestion des incidents

Contexte :

Dans le cadre du lancement de sa démarche « data centric » pour renforcer le pilotage de la performance IT, de son delivery ainsi que ses briques processus, applicatives et techniques ; le département ST souhaite se concentrer sur le processus de gestion des incidents. Elle fixe un objectif de réduction de 30% du nombre de tickets générés.

Tâches :

• Identification au travers des analyses Data et IA des principaux irritants

• Déterminer les leviers, mettre en place un plan d’action avec les équipes et en assurer le suivi

Solution technique :

• Analyse exploratoire : Mettre en évidence les répartitions des tickets par application, l’évolution des chiffres dans le temps, les incidents majeurs, les collaborateurs concernés, les équipes de résolution impliquées pour définir un périmètre.

• Prétraitement des données : anonymisation et nettoyage des données textuelles

• Par application, identifier des groupes de tickets (pour agir sur les plus importants)

o Clustering à partir des champs textes embeddés

o Classification à partir des champs textes embeddés (extension de tag attribué par l’équipe de résolution sur un périmètre beaucoup plus large)

o Classification grâce à un LLM

o Concaténation des informations de résolution grâce à un LLM (root causes)

Outils : Python, OpenAI, Langchain