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

1. DÉTERMINER L’EMPLACEMENT
IDÉAL D’UN ENTREPÔT
STARBUCKS COFFEE

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. 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. 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. 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. 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. 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. 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. 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. 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. 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. MERCI JEDHA !(et Émilien, bien sûr, pourvu qu’il aie un 10/10 sur les deux yeux)