warembourg alexandre

• Développement et mise en production via un cloud job d’un A/B test avec switch-back design et checkpoint partiel pour évaluer le modèle de pricing dynamique déployé chez Air France, avec restitution des résultats dans Looker. • Refonte du moteur d’élasticité-prix de la demande pour le pricing dynamique des billets Air France en utilisant des modèles d’économétrie et des approches de machine learning causal

• Amélioration de 4.5% des performances de l'algorithme de tarification seconde vie (brier-score) grâce à l'intégration d'une nouvelle source de données et à une meilleure considération des attributs produits. • Implémentation d'une pseudo-heuristique d'optimisation pour maximiser le volume de marge de l'algorithme de pricing, en respectant les stratégies des différents pays. • Automatisation du fine-tuning de l'algorithme de pricing via un DAG sous Airflow. • Renforcement de la fiabilité du projet avec des tests unitaires et d'intégration, augmentant la couverture de test de 40% à 70%. • Déploiement d'une application web avec Streamlit pour l'optimisation "Human in the loop" du moteur de recommandation de prix. • Développement d’un algorithme bayésien de prévision probabiliste utilisant la méthode Difference-in-Differences (DID) pour mener un A/B test

• J’accompagne Foodles en tant qu’expert en prévision afin de concevoir un moteur interne de forecasting de la demande, couvrant les niveaux catégorie, cantine et service (lunch/dinner) pour plus de 900 point de ventes, destiné à remplacer la solution de leur prestataire externe F9 . Parmi les résultats obtenus dans le cadre de ce projet, on peut citer • Le developpement d'un algorithme fiable à horizon J+6, avec un temps d'entraînement réduit (2h max). • Elaboration d'un modèle de prévision global hiérarchique basé sur LightGBM, entièrement configurable et flexible. • Réduction de plus de 30 % l’erreur de prévision par rapport à F 9 .

J’interviens chez Vékia en tant qu’expert en prévision notamment pour conception d’un benchmark complet d’algorithmes de prévision probabiliste, incluant : • L’élaboration d’une pipeline de pré-traitement des données. • Le développement d’algorithmes statistiques probabilistes (Theta, MSTL, ETS, etc.) en appliquant la méthode C o n f o r m a l P r e d i c t i o n . • La mise en place d’un modèle Transformer probabiliste (T e m p o r a l F u s i o n T r a n s f o r m e r). • Le développement d’un modèle de machine learning probabiliste avec la méthode Conformal Quantile Regression. Les résultats montrent une amélioration de 10% sur la métrique probabiliste (CRPS) et de 20% sur les métriques de prévision classique (wmae, wrmse, wbias ..etc.). • L’audit de l'architecture et des méthodes de prévision existantes, avec des recommandations pour le développement de modèles de prévision scalables.

J'enseigne la programmation Python et la Data science à des étudiants dans 3 Master différents, cela inclut : * La POO * Les bases de Python * Le setup de l'environnement * Le packaging de code * L'utilisation approfondis des librairies mainstream en datascience (pandas, numpy, scikit learn, matplotlib, statsmodels, ..etc.) * Les procédures classiques de modélisation en data science : Encoding, Validation, Preprocessing, Features Engineering, Fine Tuning, Modelisation ..etc.

L'objectif de ce stage est d'apporter un regard nouveau et des possibles recommandations sur les problématiques en place en terme de pression commerciale via les techniques de machines learning , et ainsi répondre au missions suivante : Observer la corrélation qu’il existe entre la pression commerciale exercée sur les clients et les résultats commerciaux: o   Quelle part des demandes sont à attribuer aux contacts marketing ? o   Quel est l’influence de l’envoi d’un courrier/email sur le trafic du site ? o   Existe-t-il un cadencement optimal des envois (fréquence et canaux de contact) ? Décliner par profil de clients et par équipement. A partir du décisionnel de l'entreprise le travail des données a ete fait via SAS EG / SQL, l'exploration des données via jupyter notebook avec plotly, seaborn et matplotlib dans le but d'apporter un résumé visuel des données et avoir une première intuition des limites potentielles en terme de pression commerciale et des grandes lignes de la base de donnés. j'ai travaillé sur les séries temporelles des logs internet pour mettre en exergue l'influence des dépôts sur les connexions. et grâce à differents algorithmes tels que : decision tree, random forest, Naïve bayes ..etc. j'ai développé un ranking des variables influant sur la pression commerciale, puis prédit la probabilité de souscription du client selon son profil et la pression reçu. (Python/Pyspark MLlib) Environnement (SAS, Python, Jupyter notebook, Zeppelin, Spark, pyspark, Business Object, Excel).