Work

SYSTEME INTELLIGENT DE PREDICTION ET RECOMMENDATION POUR GLOTHELO

DATA ANALYST
DATA SCIENTIST
API
MODELE DE MACHING LEARNING

Ce projet vise à développer et intégrer un système intelligent combinant un moteur de recommandation personnalisé et un modèle de prévision des ventes pour optimiser la performance de glotelho.cm

SPORT

Consultez le projet

SYSTEME INTELLIGENT DE PREDICTION DES VENTES ET RECOMMENDATION DE PRODUITS POUR LES UTILISATEURS DE GLOTHELO

Notre époque ne récompense plus nécessairement le premier arrivant sur le marché numérique, mais plutôt celui qui maîtrise ses données, comprend les comportements d’achat de ses clients et anticipe intelligemment ses ventes futures. Cette réalité impose une approche résolument data-driven où l’intelligence artificielle devient l’alliée indispensable de la performance commerciale.

1 Contexte & objectif

Construire un moteur de recommandation (téléphonie) et un module de prévision (ventes quotidiennes) pour guider l’offre, améliorer la conversion et soutenir la planification opérationnelle. Scope public only — aucune donnée sensible exposée.

2 Stack technique

  • Backend/API : Django (REST), cache & endpoints idempotents
  • ML : K-Means (segmentation clients), GBDT (LightGBM/XGBoost) & RandomForest
  • Data : pipelines de features (lags, moyennes mobiles, calendrier, événements), validation temporelle walk-forward
  • Observabilité : Prometheus + Grafana · Reporting : exports vers Power BI

3 Méthode de création

  1. Cadrage : use-cases, KPIs, contraintes latence & robustesse.
  2. Préparation : qualité des données (completude, intégrité), gestion outliers métier-aware, encodages.
  3. Features time-series : lags (1/7/28), moyennes glissantes (7/28), variables calendaire & promos.
  4. Modélisation :
    • Recommandation : clustering clients → retrieval (candidats cohérents) → ranking → re-ranking métier (dispo/diversité).
    • Prévision : régressions d’arbres (CA/commandes), validation walk-forward, métriques MAE/RMSE/WAPE/sMAPE.
  5. Industrialisation : packaging des modèles, endpoints REST stables, tests, monitoring (latence, erreurs), export vers BI.
  6. Itérations : revue des performances, tuning, garde-fous (fallbacks, cache, contrôle de version des artefacts).

4 Résultats & livrables

  • API de reco (≤10 items pertinents/req) + prévisions 28j consommables par Power BI.
  • Dashboards de suivi (tech + métier) et documentation d’intégration.

Aperçu du projet

MODELE DE PREDICTION DES VENTES

ICi on retrouve les differents dashboards analystiques et la visualtions des privions du modoles de prediction avec des des R2>1 et de tres bonne precision > 60% ce qui facilite la prise de decision et la gestion des campagnes marketing et stocks. Une image d'un site Une image d'un site Une image d'un site

MODELE DE RECOMMANDATION DE PRODUITS

Nous retrouvons les differents details sur le clients avec sa classe de cluster qu'il appartient et les recommendation propose en fonction de nos différents critères intégres pour une meilleur fiabilité lors des recommendation et augmenter le panier moeyne et le taux de conversion par clic. Une image d'un site

MONITORING

Nous avons une vue sur l'évolution de l'api django déployée avec les performances des différentes metrics pour vérifier son fonctionnement afin qu'elle soit optimale. Une image d'un site