Contexte
Le client dispose de prévision
Défi
Prédire le prix moyen d'intervention par groupe de produit (120 prédictions), par mois et sur 18 mois
Technologies utilisées
SGBD : MS SQL Server 2016 • Python 3.6 • Frameworks : Pandas, Scikit-Learn, FBProphet, XGBoost
Méthodologie et réalisation
Projet de machine learning pour la prévision des coûts d'intervention :
**Démarche** 1. Exploration des données historiques (3 ans de données) 2. Feature engineering : extraction de variables temporelles et catégorielles 3. Test de plusieurs algorithmes : ARIMA, FBProphet, XGBoost, LSTM 4. Validation croisée temporelle (time series split) 5. Optimisation des hyperparamètres 6. Évaluation des performances (MAPE, RMSE)
**Méthodologie FBProphet** Utilisation de FBProphet pour capturer : - Les tendances à long terme - La saisonnalité annuelle et mensuelle - Les jours fériés et événements spéciaux - Les changements de points de rupture
**Mise en production** - Modèle réentraîné mensuellement avec les nouvelles données - Pipeline automatisé dans SQL Server - Dashboard de suivi des prédictions vs réalisé
Résultats
Entre 4 et 7% d'erreur sur la prédiction à 18 mois (cross-validation), pour les 3 principales catégories de produit. Modèle en production, réentraîné tous les mois
Visualisations
Prévisions des coûts moyens d'intervention pour deux classes de produit
Décomposition des composantes dans FBProphet (tendance, saisonnalité)