Gaya Kheloui

– La solution plug & play des équipes produit pour aligner les parties prenantes et maximiser l'impact.

Foodcheri est une start-up lancée en 2015, elle est spécialisée dans le domaine de la restauration rapide et la livraison à domicile, elle couvre les 20 arrondissements de paris ainsi que la majorité de la banlieue parisienne et quelques villes de province, la quantité de données disponible rend la data science plus que nécessaire afin d'y tirer profit, parmis les grands projets que j'ai menés: – Mise en place d'un système permettant le rééquilibrage des stocks en cours du shift afin d'éviter les éventuelles ruptures de stocks, de minimiser la perte et de booster les ventes avec la même production. – Implémentation d'algorithmes de machine learning (Random Forest, SGD, XGBoost) pour les prévisions de volumes pour foodchéri (Globaux par hub + une répartition par item) + seazon (Une filiale de foodchéri). Le livrable est présenté sous forme d'une API python – Mise en place d'un nouvel algorithme de dispatch (cuisine vers les hubs) respectant des contraintes de production (coté cuisine) et des contraintes liés à la localisation des hubs (Province ou région parisienne) ainsi que sa typologie (petit rayon ou grand rayon). – Mise en place d'un algorithme permettant de générer un planigramme pour aider les hub managers à bien ranger la réception en un temps record, cet outil est également utilisé par les préparateur afin d'améliorer leur productivité et minimiser les erreurs de préparations. J'ai aussi pris en main plusieurs tâches secondaires : – Création de nouveaux tableaux de bord et maintenance de ceux existants. – Automatisation de plusieurs tâches récurrentes. – Mise en place de plusieurs alertes via l'envoi de mails automatiques. – Dimensionnement de la flot de coursiers nécessaires par rapport aux prévisions de ventes

– Extraction des ingrédients, des quantités et des unités de mesure à partir de données clients non structurées. – Mapping des ingrédients clients avec un référentiel interne pour assurer la standardisation et la cohérence des données.

Mon stage au sein de l'ENIEM s'est déroulé plus précisément au service après vente, dans lequel la gestion des stocks de pièces de rechange se fait via un logiciel dédié à la base à la gestion des stocks de produits finis, d'où le besoin de mettre en place un nouveau logiciel spécialement pour le service après vente, la démarche suivie pour mener bien à cette mission est : – Rédaction du cahier de charge en se mettant en relation direct avec les personnes utilisant le logiciel – Mise en place des différents diagrammes UML (Use case, séquence, de classe) nécessaires à la conception – Mise en place de l'architecture de la base de données du logiciel en utilisant Oracle comme SGBD – Et enfin génération du code source nécessaire en utilisant le Java comme langage et net beans comme environnement