Description de l'emploi
L’équipe produit et suit des indicateurs de performance pour accompagner l’atteinte des objectifs commerciaux.
Chaque semaine, elle actualise manuellement un « atterrissage » : une estimation des ventes attendues pour le mois en cours et les mois à venir, ajustée selon les performances et les croissances observées.
Ces prévisions sont déclinées par jour, transporteur, anticipation de réservation (forte anticipation ou dernière minute) et regroupement de marchés.
Votre rôle : concevoir, tester et déployer un modèle de machine learning pour automatiser ce processus, avec trois objectifs :
• Remplacer le traitement manuel hebdomadaire par une chaîne de traitement automatisée.
• Améliorer la précision des prévisions par rapport à la méthode actuelle, utilisée comme référence de comparaison.
• Étendre l’horizon de prévision au-delà de M+1, à M+2 et M+3, si les résultats le permettent.
Vos missions, de la donnée à la décision :
1. Poser les bases du projet : comprendre la méthode actuelle, formaliser les règles métier, définir les indicateurs de performance (MAPE, WAPE, biais, etc.) et construire le benchmark de référence.
2. Préparer des données fiables : extraire, nettoyer et structurer l’historique des ventes par jour, transporteur, anticipation et marché ; traiter les valeurs manquantes, les ruptures et les événements atypiques.
3. Explorer et comparer les modèles : tester plusieurs approches en tenant compte de la saisonnalité, des jours fériés, des vacances et des événements commerciaux (ventes flash, promotions, ODV…).
4. Garantir la cohérence des prévisions : utiliser des méthodes de réconciliation pour assurer l’alignement entre les différents niveaux de prévision : total, marché, transporteur et anticipation.
5. Actualiser les prévisions au fil de l’activité : intégrer les ventes réalisées du mois en cours pour réactualiser l’atterrissage chaque semaine, voire chaque jour.
6. Déployer une solution durable : automatiser la chaîne de traitement dans Dataiku, de l’extraction à la restitution en passant par l’entraînement et la prévision ; documenter le code et suivre la performance du modèle dans le temps.
7. Rendre les résultats accessibles : construire un tableau de bord comparant les prévisions aux ventes réalisées, avec des intervalles de confiance, et présenter vos résultats aux équipes métier.
8. Explorer de nouvelles pistes : tester l’apport de données externes, notamment conjoncturelles ou météorologiques, et mesurer leur contribution réelle à la qualité des prévisions.
Profil Recherché
Fourchette salaire :
Contrat étudiant : 50% à 100% du SMIC
Copyright © 2026 Grabjobs Pte.Ltd. All Rights Reserved.