Niez Gharbi

- Analyse des données transactionnelles et clients afin de produire des insights sur les profils d’achat, ainsi que réalisation d’analyses ad hoc pour approfondir la compréhension des comportements clients, afin d’alimenter les stratégies de ciblage et d’optimiser les campagnes marketing. - Construction de listes de clients ciblées pour des campagnes marketing, basées sur des règles métier définies en collaboration avec les équipes merchandising et business. - Réalisation d’analyses post-campagne pour évaluer la conversion et dégager des enseignements permettant d’optimiser les futures activations.

• Segmentation RFM clients pour identifier des profils comportementaux selon la récence, la fréquence et les dépenses. • Modèle de similarité entre points de vente (embeddings multidimensionnels) pour alimenter un système d’alerting sur la performance magasins. • Extraction et exploration des informations depuis les emballages des produits Intermarché avec l’OCR et l’IA générative. Stack Technique : Azure, Databricks, MLflow, Python, OpenAI, Git

- Coordination entre les différentes équipes Data Tech, Business et les Maisons LVMH pour la création de dashboards interactifs consultables par les business owners et les équipes métiers des Maisons LVMH. - Conception de KPIs orientés business à partir des données des Maisons, pour mesurer la performance des Maisons LVMH sur plusieurs axes : CRM, Sales, Omnichannel, Concurrence…

la performance des enseignes et des boutiques au sein de différents centres commerciaux. - Analyse comparative inter-centres commerciaux : analyses comparatives de la performance d’une même enseigne dans différents centres commerciaux. - Benchmarking concurrentiel : étude de benchmarking en comparant la performance d’une enseigne avec celle de ses concurrents directs au sein d’un même centre commercial. - Analyse des flux de clientèle Cross-Visits : mesurer les visites croisées entre les différentes enseignes. - Calcul et suivi de KPIs et production de rapports de performance et communiquer les résultats aux équipes métier (CRM, Investment, Marketing). - Prédiction de footfall hebdomadaire et quotidien à plusieurs granularités (par enseigne, par centre)

Modélisation d'une métrique d'évaluation pour évaluer les prédictions de périodes de chaleurs et de vêlage de vaches à partir de séries temporelles.

Développement d’un dashboard avec PowerBI permettant le traitement, l’analyse et la visualisation de données financières des fonds d’investissement gérés par une société de gestion d’actifs.

Développement d‘une data plateforme permettant d’automatiser la formalisation des rapports de gestion des actifs et l’accès aux données pour l’équipe Data Intelligence avec Neo4j, Snowflake et Rivery.

- Conception et mise en œuvre de solutions innovantes pour créer un environnement automatisé et résilient, en tirant parti des dernières avancées technologiques et des modèles de prédiction de pointe. - Collaboration avec l'équipe de gestion des données, qui supervise toutes les étapes du cycle de vie des données, de leur acquisition jusqu'à leur transformation, leur distribution et leur assurance qualité, au sein de la plateforme Google Cloud (GCP). - Création de modèles de prédiction de série temporelle pour aider les clients à anticiper les tendances et à prendre des décisions éclairées. - Développement de modèles d'optimisation sous contraintes pour gérer efficacement les stocks et les approvisionnements, contribuant ainsi à l'efficacité opérationnelle de la solution. - Mise en place de mécanismes de monitoring pour détecter rapidement toute anomalie ou dégradation des performances. - Industrialisation des flux de données, en optimisant leur gestion et en les rendant plus efficaces pour soutenir les opérations au quotidien. - Développement d'un produit SaaS robuste, mettant en avant la scalabilité et la fiabilité de la infrastructure de données. - Modélisation Uplift pour cibler les clients avec une publicité plus efficace basée sur leurs profils d'utilisation.

Stage de fin d'études

Deep learning for the prediction of the run-of-river based hydro power generation from climate forecast.