dav-nation

1) ENI - 9 mois : Prédiction de la perte de clientèle (Attrition/Churn)
La modélisation de l’attrition a pour objectif de faire des campagnes marketing précises. Elles cibleront les potentiels clients susceptibles de se désabonner. Ainsi elle permet de réduire les dépenses et d’augmenter la rentabilité
- Jointure de tables et création de nouvelles variables explicatives​
- Etat de l’art des ciblages existants ​
- Mise en évidence des causes du désabonnement des clients ​
- Analyse statistique pour connaître les périodes de grosse perte de clients dans une année​
- Création des différentes variables à prédire (en fonction des périodes identifiées au préalable​
- Rééquilibrage de la BDD – peu d’inactifs (SMOTE) ​
- Conception et développement des visualisations des résultats (Power BI)​
- Rapports de présentation des résultats

2) GRT-GAZ - 4 mois: Maintenance prédictive (acheter et remplacer les pièces avant leur usure)
- Modélisation du nombre de défaillances des équipements d’une entreprise dans le secteur de l’énergie.
- Reportings (Dashboard, storytelling)
Algorithmes : XGBOOST, régression logistique, random forest, ACP, ACM
Outils utilisés : Python et R, Gitlab, PowerPoint.

• POC IA Génératives :
DIOR : Mise en situation du parfum DIOR J'adore
Prompt Engineering
Finetuning de modèles d'IA sur la génération d'images (LoRas : stable diffusion)
• GPT MICROPOLE : Chatbot privé sur des contrats RH
RAG documents pdfs
Finetuning LLM méthode RLHF- Meta/Llama-2-70-chat,Mixtral, Langchain, openai

Missions clients :
• Groupe Volkswagen (BEV Agency Audi) - 8 mois
- Analyse du profil des intentionnistes sur la gamme des véhicules électriques​
Analyse des caractéristiques des intentionnistes ​
Identification des profils via une segmentation​ ( AFC + Kmeans + random forest)
- Industrialisation de l’analyse des ventes de véhicules électriques. Cet outil permet aux équipes d'anticiper les commandes avec les configurations les plus demandées et de limiter les délais d’attente des clients.​
Outils : Python (pandas, geopandas, plotly, scikit-learn), AWS (EC2,S3), git, excel

• DIM - 6 mois
- Business Review annuelle​
- Travail sur la qualité de données, remonter des anomalies, arbitrages​
- Suivi des indicateurs business (CA, Clients, fréquence, panier moyen)​
- Focus sur les nouveaux​
- Migration des segments​
- Rédaction documentation​
Outils : Python (Vs code), Excel, Git, PowerPoint.

Projet interne :
• LESIEUR - Séries Temporelles : Prédiction du volume de ventes des articles Lesieur par client
Cette étude permet une bonne gestion de stock et une optimisation des ventes des articles aux différents clients de Lesieur.