Kaba Keita

Le S&OP est un processus d’élaboration de plans (prévisions) qui donne à l'entreprise la capacité d'anticiper et dimensionner ses capacités pour servir ses clients en garantissant qualité et promesse. Build S&OP : - Récupération et transformation de données dans GCP en utilisant BigQuery - Création des tables de données dans notre Data-platform en utilisant Terraform - Ingestion et restitution des données dans des tables de notre data-platform en utilisant l’orchestrateur Kestra (ETL) - Analyse des résultats de l’algorithme de prévision DeepAR codé en Python (GluonTS) - Utilisation de Jira pour la création et gestion des Sprints - Utilisation de SQLFluff dans vs-code - Utilisation de Github pour le développement et l’intégration continue (CI/CD) - Mise en place d'un Dashboard avec le Power Bi - Code review à la fin de chaque sprint pour améliorer la qualité des codes - Ecriture de la documentation technique dans Confluence et Gitbook - Création des schémas d’architecture dans Drawio - Exposition de données dans DataFinder Run S&OP : - Analyse des anomalies de données saisies par le métier dans les Google sheets - Analyse des flux Kestra qui ont planté - Analyse du problème d’alimentation de nos tables de données dans GCP

L'objectif du projet Cockpit Appro est de centraliser les KPI à suivre pour le suivi de la performance magasin (sur la disponibilité produit et la rotation de stock). Les principaux KPI sont : - Taux de dispo en surface de vente - Pourcentage de rupture cause magasin - Rotation de stock - Taux de commandes client sans compte Build Cockpit Appro : - Création d’un univers de données dans notre Datamart pour stocker les KPIs en utilisant StarterHub - Création et alimentation d’une table pour chaque KPI en utilisant Terraform et Kestra - Utilisation de Jira pour la création et gestion des Sprints - Utilisation de vs-code pour le développement technique (code BigQuery, Terraform, flux Kestra) - Utilisation de SQLFluff (un linter pour SQL) dans vs-code - Utilisation de Github pour le développement et l’intégration continue (CI/CD) - Mise en place d'un dashboard avec le Power Bi - Code review à la fin de chaque sprint pour améliorer la qualité des codes - Utilisation de Collibra pour l’application des normes de qualité de données - Ecriture de la documentation technique dans Confluence - Création des schémas d’architecture dans Drawio - Exposition de données dans DataFinder Run Cockpit Appro : - Analyse des problèmes d’alimentation de nos tables de données dans GCP - Analyse des flux Kestra qui sont en échec - Amélioration continue des KPIs

L'objectif du “C Dispo Quand” est de : - Informer le magasin sur la disponibilité des produits. - Mieux pouvoir servir les clients lorsque les produits sont en rupture. Il est constitué des KPIs suivants : - Date de disponibilité des produits dans les entrepôts B2B - B2C - ADEO - Pourcentage des commandes client allouées - Quantité de stock physique par bain par entrepôt Build C Dispo Quand : - Création d’un univers de données dans notre Datamart pour stocker les KPIs en utilisant StarterHub - Création et alimentation d’une table pour chaque KPI en utilisant Terraform et Kestra - Utilisation de Jira pour la création et gestion des Sprints - Utilisation de vs-code pour le développement technique (code BigQuery, Terraform, flux Kestra) - Utilisation de SQLFluff dans vs-code - Utilisation de Github pour le développement et l’intégration continue (CI/CD) - Mise en place d'un dashboard avec le Power Bi - Code review à la fin de chaque sprint pour améliorer la qualité des codes - Utilisation de Collibra pour l’application des normes de qualité de données - Ecriture de la documentation technique dans Confluence et Gitbook - Création des schémas d’architecture dans Drawio - Exposition de données dans DataFinder Run C Dispo Quand : - Analyse des problèmes d’alimentation de nos tables de données dans GCP - Analyse des flux Kestra qui sont en échec - Amélioration continue des KPIs

L’objectif de ce projet est de réduire l’écart entre le nombre de palettes calculées à la commande et le nombre de palettes chargées à l'expédition par livraison. Chaque livraison est associée à une et une seule commande client. Une commande client peut en revanche avoir plusieurs livraisons. Build du projet d’optimisation du nombre de palettes : - Mise en place d’un Looker-Studio pour analyser les données EPO qui contient le calcul du nombre de palettes à la commande et le nombre de palettes chargées à l'expédition par livraison - Présentation de l’analyse faite dans le Looker-Studio au métier - 22% de livraisons ont un nombre de palettes calculé différent du nombre de palettes réellement chargées lié au problème de dimensions erronés des produits - Implémentation d’un algorithme de détection d’anomalie des dimensions produit - Présentation du résultat de l’algorithme de détection d’anomalie des dimensions produit au métier

Assurer le run des anciens sujets Data science : - Run sur l’algorithme de détection des stocks suspects codé en Python - Run sur l’algorithme de préconisation des créneaux de retrait dans les magasin

Le test groupé permet de réduire le coût du dépistage dans une situation de pandémie en testant les échantillons de plusieurs patients d’un seul coup quand cela est possible sous certaines conditions. Build du projet CHRU-LILLE : - Collecte et analyse de données de dépistage de CHRU-LILLE - Clustering des patients pour identifier ceux qui peuvent être testés collectivement - Ecriture d’un article scientifique pour la publication des résultats

Avec ce projet, la startup Urban-hub visait une réduction significative des distances totales parcourues par ses livreurs dans la région Parisienne afin d'atténuer ses impacts écologiques et soulager la souffrance de ses livreurs. Build projet Urban-hub : - Analyse des données des commandes des livraisons à domicile - Développement d’un module d’optimisation de tournées des véhicules (algorithme hybride génétique) en C++ sous Eclipse - Pilotage du développement d’un outil de visualisation des solutions en Python - Réunion hebdomadaire sur l’avancement du projet avec Urban-hub - Conteneurisation du code final avec Docker - Mise en place d’une documentation technique

- Réécriture d'un algorithme de génération de colonnes en utilisant LPSolve

Le projet vise à fournir à la start-up Colisweb un prototype logiciel qui lui permet de proposer des tarifs de livraison aux coursiers et aux consommateurs d’une manière autonome. Build du projet ColisWeb : - Collecte et analyse des données de l’entreprise - Codage de l’algorithme en C sous Eclipse en utilisant la librairie du solveur IPOPT et KNITRO - Expérimentation et interprétation des résultats - Rédaction de la documentation technique

Pour améliorer l’efficacité des opérations de préparation de commandes, l’entreprise Jules a confié à l’INRIA la conception d’un algorithme d’optimisation de préparation de colis. Il s’agissait d’améliorer le processus de préparation et d’envoi de 4 000 colis au quotidien vers les 440 magasins. Build du projet HappyChic : - Nettoyage et optimisation du code initial de l’algorithme développé en JAVA - Augmentation de la performance de 15% de l’algorithme initial - Accompagnement de Jules dans l’intégration du prototype dans son système d’information