Damien Rousseau

Responsable de la prévision de la demande par magasin alimentant le réapprovisionnement de 140 magasins et d’environ 30 000 références.

• A remplacé un pipeline statistique hérité par un modèle hiérarchique en gradient boosting, améliorant le WAPE par référence de 34 % à 24 %.
• Les gains de prévision ont réduit le gaspillage de produits frais de 18 % et les ruptures de 11 %, pour un montant estimé à 6 M€ par an.
• A construit la détection de dérive et le backtesting automatisé ; les dégradations silencieuses de modèles sont détectées en quelques heures au lieu de plusieurs semaines.
• Anime la revue trimestrielle de prévision avec la direction supply chain, en traduisant le comportement des modèles en décisions d’achat.

Prévision court terme de la consommation et du renouvelable pour un fournisseur d’énergie équilibrant un portefeuille de 400 MW.

• A amélioré le MAPE de la prévision de consommation à J+1 de 4,1 % à 2,9 %, réduisant les coûts d’équilibrage d’environ 1,2 M€ par an.
• A construit un modèle probabiliste de production solaire utilisé par le desk de trading pour dimensionner les positions intrajournalières.
• A introduit des patterns de feature store qui ont ramené le temps d’itération sur un nouveau modèle de plusieurs semaines à quelques jours.

Analytique client et assortiment pour des clients de la distribution.

• A construit un modèle de scoring d’attrition pour un client télécom qui a multiplié par 2,3 la conversion des campagnes de rétention par rapport à un ciblage aléatoire.
• A automatisé la chaîne de reporting client hebdomadaire, libérant environ une journée d’analyste par semaine.

Bibliothèque Python implémentant la réconciliation MinT et bottom-up avec une API compatible scikit-learn.

• Plus de 700 étoiles GitHub ; utilisée dans au moins quatre chaînes de prévision retail en production d’après les retours d’utilisateurs.
• La suite de benchmarks reproduit les résultats de réconciliation publiés sur trois jeux de données publics.

Atelier pratique en soirée sur la prévision en production, organisé deux fois par an au sein d’une communauté data locale.

• A formé plus de 90 praticiens sur quatre promotions, avec une note moyenne de 4,8/5.
• Tous les supports sont en open source, y compris un jeu de données d’épicerie synthétique réaliste.