Sorel Loukdom

Mission 1 : Construction d’un workflow permettant la comparaison de deux fichiers, l’un issu de la source SAP et l’autre du Datawarehouse

Analyser les terminologies métier avec le client.
Prendre en main les documents métier de l’entreprise.
Prendre en main l’outil Alteryx Designer.
Extraire le premier fichier depuis SAP for HANA (700 000 enregistrements).
Extraire le deuxième fichier depuis le Datawarehouse via Databricks.
Rechercher tous les champs de jointure en utilisant Excel.
Sélectionner, agréger, filtrer, et construire la jointure pour réaliser le workflow.
Comparer le nombre d’enregistrements identiques entre les deux fichiers.
Résultat : Cela a permis à l’entreprise de s’assurer que les données intégrées dans le Datawarehouse sont égales à celles extraites depuis SAP for HANA.

Mission 2 : Construction d’un workflow et mise en production pour analyser la performance marketing des pneus de voitures vendus entre la France et le Benelux

Connecter l’outil à la source de données contenant 2 000 000 d’enregistrements.
Sélectionner, filtrer, nettoyer et réaliser le workflow.
Publier le workflow sur le serveur.
Publier le fichier produit sur SharePoint.

Portfolio Hebdomadaire
- Extraction sur l'ERP SAP via la version SAP for HANA des données de ventes pour la France et le BENELUX.

- Extraction des données analytics des bases SAP B4P en servant d’Analysis
for Office .

- Extraction mensuel via SAP for Hana des données EDI , lancement de ces données sur le flux ALTERYX et visualisation des insights qui vont nous permettre d'avoir de chiffrés la quantité manquée lorsque le client à passer la commande.

ANALYSES ET VISUALISATIONS DE L'INDICATEUR IBEST ( PROJET)
- Charger les données de chaque année dans des structures de données adaptées (python/pandas).
- nettoyer et prétraiter les données , en assurant une cohérence entre les différentes années ( SQL) , Visual studio.
-Calculer des statistiques descriptives de l'IBEST pour chaque année afin de faire une étude comparative.
-Créez des graphiques temporels avec Power BI pour visualiser l'évolution de l'IBEST au fil des années.
OUTILS : Python, SQL , Power BI , Visual studio

- Intégration de Selenium pour l'automatisation des interactions avec l'interface utilisateur de YouTube..
- Utilisation de Beautiful Soup pour le scraping et l'extraction des données à partir des pages web.
- Implémentation de SQLAlchemy pour la gestion des données extraites dans une base de données relationnelle.
- Utilisation de Django et react js pour la création d'une interface utilisateur conviviale permettant de visualiser et de manipuler les données extraites.
- Intégration de Docker pour la conteneurisation de l'application, facilitant son déploiement et sa portabilité.
Outils: Python, Docker , Django.

Je suis heureux de vous présenter le compte rendu final de notre projet de développement d'un modèle de prédiction des pannes électriques dans les locaux de notre organisation et je tiens remercier mon manager pour cette confiance et l 'ensemble de l'équipe . Ce projet visait à optimiser la maintenance préventive et à réduire les interruptions opérationnelles en anticipant les défaillances électriques avant qu'elles ne surviennent.

Objectifs du Projet :

Identifier les facteurs de risque de pannes électriques.
Collecter et prétraiter les données pertinentes.
Développer un modèle de prédiction des pannes électriques.
Évaluer l'efficacité du modèle et sa capacité à anticiper les pannes.
Méthodologie :

Collecte de données : Nous avons collecté des données provenant de divers capteurs électriques installés dans nos locaux, notamment les données de tension, de courant, de température et de puissance. Ces données ont été enregistrées sur une période étendue pour capturer différents scénarios opérationnels.

Prétraitement des données : Les données collectées ont été nettoyées, transformées et normalisées pour éliminer les valeurs aberrantes et les erreurs de mesure, assurant ainsi la qualité des données utilisées pour le développement du modèle.

Développement du modèle : Nous avons exploré plusieurs algorithmes de modélisation, notamment les méthodes de régression, les arbres de décision . Après une évaluation approfondie, nous avons opté pour un modèle des arbres de décisions basé sur sa capacité à prédire un évènement .

Évaluation du modèle : Le modèle développé a été évalué à l'aide de métriques de performance telles que la précision, le rappel et la F1-score. De plus, une validation croisée a été réalisée pour garantir la robustesse du modèle sur des données non vues.