Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Starbucks Coffee - Déterminer l'emplacement idéal d'un entrepôt

123 views

Published on

Projet de Marty Amunga pour son projet Data après sa session des Fondamentaux

Published in: Data & Analytics
  • Be the first to comment

  • Be the first to like this

Starbucks Coffee - Déterminer l'emplacement idéal d'un entrepôt

  1. 1. DÉTERMINER L’EMPLACEMENT IDÉAL D’UN ENTREPÔT STARBUCKS COFFEE
  2. 2. LES PRINCIPAUX ATTRIBUTS D’UNE EXCELLENTE SUPPLY CHAIN ENJEUX ❏ Un système de réapprovisionnement fiable ❏ Des coûts de stockage limités ❏ Réactivité et rapidité de livraison “PLAN SOURCE MAKE DELIVER”
  3. 3. CONTEXTE ET PROBLÉMATIQUE Logistique verticalement intégré de l’achat à la distribution 26 000 boutiques dans 75 pays Top 25 Supply Chain Gartner 2018 LA STRATÉGIE SUPPLY CHAIN AU COEUR DE STARBUCKS “PLAN SOURCE MAKE DELIVER”
  4. 4. CONTEXTE ET PROBLÉMATIQUE Logistique verticalement intégré de l’achat à la distribution Plan - Source - Make - Deliver 26 000 boutiques dans 75 pays Top 25 Supply Chain Gartner 2018 1 boutique en Chine tous les 15 heures, 3000 boutiques en 2019, 5000 pour 2021 LA STRATÉGIE SUPPLY CHAIN AU COEUR DE STARBUCKS “PLAN SOURCE MAKE DELIVER”
  5. 5. CYCLE DE VIE D’UN PROJET DE DATA SCIENCE DATA COLLECTE Recenser et collecter la donnée de différentes sources ÉVALUATION DU MODÈLE Évaluation des performances de l’algorithme DATA PRÉPARATION Nettoyer et préparer le jeu de données MODÈLE D’ALGORITHME MACHINE LEARNING Choix du modèle d’algorithme et entraînement du dataset DATA EXPLORATION Émettre quelques hypothèses et les vérifier Où implanter les entrepôts Starbucks Coffee en Chine ?
  6. 6. EASY PEASY ! DATA COLLECTE Récupération d’un fichier .csv sur Kaggle, Jeu de données de 25 600 boutiques dans le monde RECENSER ET COLLECTER LA DONNÉE DE DIFFÉRENTES SOURCES
  7. 7. NO ENCODING ! DATA PRÉPARATION & EXPLORATION Pas de valeurs nulles ou manquantes donc pas d’encodage ou de moyennes arithmétiques Suppression de plusieurs colonnes pour ne garder que la Latitude/Longitude des boutiques chinoises 2734/3000 boutiques NETTOYER, PRÉPARER LE JEU DE DONNÉES ET SE POSER LES BONNES QUESTIONS
  8. 8. ABRACADABRA ! EN 4 CLUSTERS TU TE TRANSFORMERAS ! MODÈLE DE MACHINE LEARNING 1) Utilisation de la méthode Elbow pour déterminer le nombre de cluster idéal 2) Fitting du Kmeans dans mon jeu de données 3) Représentation visuelle avec la librairie Matplotlib L’algorithme de clustering K-Means
  9. 9. ABRACADABRA ! EN 4 CLUSTERS TU TE TRANSFORMERAS ! MODÈLE DE MACHINE LEARNING 1) Utilisation de la méthode Elbow pour déterminer le nombre de cluster idéal 2) Fitting du Kmeans dans mon jeu de données 3) Représentation visuelle avec la librairie Matplotlib L’algorithme de clustering K-Means
  10. 10. AFFICHES MOI LES CENTROÏDES PAR TOUTATIS ! MODÈLE DE MACHINE LEARNING 4) Définition des centroïdes de mes clusters 5) Représentation des centroïdes grâce aux markers ‘^' L’algorithme de clustering K-Means
  11. 11. J’AI PAS PU LE FAIRE MAIS REGARDEZ MA DATAVIZ ! TADAAA ! ÉVALUATION DU MODÈLE Puis-je appliquer le même sur un autre jeu de données ? Puis-je m’en servir pour déterminer d’autres entrepôts dans d’autres pays ? Approche un peu simpliste ? Quelles autres variables ajouter ? Vérifier la fiabilité de l’algorithme
  12. 12. MERCI JEDHA !(et Émilien, bien sûr, pourvu qu’il aie un 10/10 sur les deux yeux)

×