Veille technologique
L’intelligence artificielle au service du Data Analyst
Dans le cadre de mon projet professionnel de Data Analyst orientée Supply Chain, j’ai mis en place une veille consacrée aux innovations de l’intelligence artificielle.
Mon objectif est d’identifier les outils et les méthodes pouvant améliorer la préparation des données, l’analyse, la prévision des ventes et la prise de décision.
Comment les avancées de l’intelligence artificielle transforment-elles le métier de Data Analyst et améliorent-elles la prise de décision en Supply Chain ?
Mes sources de veille
Je privilégie des sources officielles, techniques, scientifiques et réglementaires afin de vérifier la fiabilité des informations collectées.
OpenAI
Suivi des modèles d’intelligence artificielle générative, de leurs capacités et de leurs applications dans l’analyse de données.
Consulter la source ↗Microsoft Learn
Suivi des évolutions de Power BI, Microsoft Fabric, Copilot et Azure AI pour l’analyse et la visualisation des données.
Consulter la source ↗Hugging Face
Découverte de nouveaux modèles, jeux de données et applications open source en intelligence artificielle et Machine Learning.
Consulter la source ↗Kaggle
Consultation de notebooks, de jeux de données et d’expérimentations réalisées par la communauté Data Science.
Consulter la source ↗Papers with Code
Consultation de publications scientifiques accompagnées de leurs implémentations et de leurs résultats comparatifs.
Consulter la source ↗CNIL
Suivi des recommandations relatives à l’intelligence artificielle, à la protection des données personnelles et au RGPD.
Consulter la source ↗Mes questions de veille
Ma veille est organisée autour de questions directement liées au métier de Data Analyst et aux enjeux de la Supply Chain.
Comment l’IA assiste-t-elle le Data Analyst ?
Génération de code, nettoyage de données, documentation, synthèse et aide à l’interprétation.
Comment améliorer la prévision des ventes ?
Comparaison des méthodes statistiques, du Machine Learning et des modèles enrichis par des variables métier.
Quel impact sur la Supply Chain ?
Réduction des ruptures, optimisation des stocks, amélioration des commandes et anticipation de la demande.
Quelles sont les limites de l’IA ?
Biais, hallucinations, confidentialité, dépendance aux données et nécessité d’une validation humaine.
Mon processus de veille
Je suis une démarche structurée allant de la collecte d’informations jusqu’à l’application concrète dans mes projets.
Collecter
Flux RSS, newsletters, documentations et alertes.
Sélectionner
Tri selon la fiabilité, la pertinence et la date.
Analyser
Identification des avantages, limites et cas d’usage.
Tester
Expérimentation sur des données et projets réels.
Appliquer
Intégration des solutions pertinentes dans mes projets.
Comparaison des modèles de prévision
J’ai comparé plusieurs méthodes afin d’identifier leur intérêt selon le type de données, les variables disponibles et le besoin métier.
| Modèle | Forces | Limites | Cas d’usage |
|---|---|---|---|
| SARIMA | Interprétable et adapté aux séries saisonnières. | Ne prend pas directement en compte les variables externes. | Prévision d’une série temporelle simple. |
| SARIMAX | Intègre les promotions, jours fériés et autres facteurs. | Paramétrage et diagnostic plus complexes. | Ventes influencées par des variables métier. |
| Prophet | Rapide à utiliser et efficace sur les saisonnalités. | Peut être moins précis sur des données complexes. | Prototypage et prévisions rapides. |
| XGBoost enrichi | Gère de nombreuses variables et relations non linéaires. | Nécessite une préparation rigoureuse des données. | Prévisions riches avec promotions et variables calendaires. |
Application dans mes projets
Les résultats de ma veille sont utilisés pour améliorer concrètement mes analyses, mes modèles et mes recommandations métier.
Projet Rossmann
Comparaison de SARIMA, SARIMAX, Prophet et XGBoost pour anticiper les ventes et améliorer le réapprovisionnement.
Impact : réduction du risque de rupture et de surstock.Projet BottleNeck
Utilisation de l’IA pour challenger le nettoyage, les visualisations et l’interprétation des résultats.
Impact : analyse plus rapide et mieux documentée.Documentation technique
Assistance à la rédaction de README, commentaires Python, synthèses et documentation des choix techniques.
Impact : meilleure reproductibilité des projets.