Stagiaire data Driven (F/H)

- - - - - - - - - - - -

Ce sujet s’inscrit dans le cadre de l’EPIC5 de DDE (Data Driven Engineering) dédié au déploiement de produit digitaux dans le domaine du matériau Michelin.

Ce sujet est dédié au volet « Data Quality » des spécifications et résultats laboratoires de ces même matériau, afin de contribuer à une meilleure valorisation de ces 2 jeux de données.

Sous-sujet N°1 :

Un jeu de données « Spécification matériau » est désormais à disposition dans le CDL (Corporate Data Lake) Michelin. Ce jeu de données est mis sous contrôle de la « Data Team » cependant d’autres règles « Business » doivent y être appliquées.

L’ensemble de ces règles – et les controles associés – ont été rédigés et validés par les équipes Qualité Matériau mais elles sont pas encore été appliquées en masse au jeu de données mis à dipisition.

L’objectif sera de :

• Mettre en place les algorithmes de calcul permettant de dresser un état des lieux « as is » du jeu de données « Spécification matériau » proposé ;
• Proposer un pipeline de traitement des futures données (ajout / mise à jour) de ce même jeu de données afin d’en maintenir la qualité dans la durée ;
• Proposer un système d’alerting dans ce cas d’anomalies constatées dans le temps.

L’outil Dataiku est préconisé (car utilisé également par la Data Team), avec des possibilités de codage en Python dans ce même écosystème produit.

Sous-sujet N°2 :

Un second jeu de données « Résultats matériau » est également mis à disposition dans le CDL Michelin. Ce jeu de données est mis sous contrôle de la « Data Team » cependant d’autres règles « Business » pourraient y être appliquées.

L’ensemble de ces règles – et les contrôles associés – n’ont pas encore été entièrement figées, et plusieurs axes d’analyse sont proposés :

• Mettre en place une détection de « Valeurs aberrantes » en s’appuyant sur l’historique compilé sur la même typologie de résultats matériau ;
• Mettre en place un système de prédiction des valeurs futures afin d’anticiper de potentielles dérives de qualité de ces mêmes résultats ;
• Mettre en place un système d’alerting des personnes en charge de l’encodage de ces résultats, ou du maintien de la qualité matériau au quotidien.

Compétences requises :

Savoir-faire

• Analyse de données : Utilisation d'outils pour traiter et visualiser des données.
• Modélisation statistique : Application des méthodes statistiques pour détecter les anomalies.
• Gestion de bases de données : Manipulation et interrogation de grands ensembles de données.
• Utilisation de Dataiku : Maîtrise de la plateforme pour le traitement des données.
• Suivi de la qualité des données : Mise en place de systèmes pour garantir la qualité des données.

Savoir-être

• Rigueur et précision : Attention aux détails garantissant la qualité des données.
• Esprit critique : Capacité à remettre en question les résultats et proposer des améliorations.
• Travail en équipe : Collaboration efficace avec les membres de l'équipe.
• Flexibilité et adaptabilité : Ouverture à des contextes en constante évolution.
• Communication : Expliquer clairement les résultats aux non-techniciens.

- - - - - - - - - - - -