Mise en place d’un module WMS intelligent (WMS SmartStock) pour la prévision de la demande et le réassort automatique.
Objectif : réduire les ruptures et optimiser les niveaux de stock grâce à des modèles prédictifs et des algorithmes génétiques.
Tâches principales
Collecter et analyser les historiques de ventes issus du WMS et des sources connexes (nettoyage, agrégation, features engineering).
Appliquer et comparer des modèles prédictifs pour estimer la demande future (séries temporelles, modèles ML supervisés).
Concevoir et implémenter une méthode d’optimisation du réassort basée sur des algorithmes génétiques (définition de l’objectif, contraintes, codage des solutions).
Développer une interface de visualisation des stocks prédits et des recommandations de réassort (tableaux, graphiques, tableaux de bord intégrés au WMS).
Profil recherché et compétences
Étudiant en IA appliquée, logistique, data science ou développement logiciel pour un PFE.
Compétences techniques demandées : Python, IA prédictive, modélisation de données, maîtrise des algorithmes génétiques.
Compétences web et d’intégration : PHP et JavaScript pour l’interface et l’intégration au WMS existant.
Aptitudes attendues : analyse de données, expérimentation, évaluation de modèles (mesures d’erreur, backtesting) et documentation des résultats.
Livrables et validation
Jeu de données nettoyé et pipeline d’ingestion des historiques de ventes.
Modèles prédictifs documentés et script d’entraînement/évaluation automatisé.
Module d’optimisation par algorithmes génétiques intégrable au WMS, avec réglages et tests de robustesse.
Interface de visualisation des stocks prédits et rapport final (manuel d’utilisation, recommandations opérationnelles).
Durée estimée : 5 à 6 mois (PFE), incluant phases d’implémentation, tests et documentation.
Candidature
Pour postuler, envoyez votre CV et lettre de motivation en précisant le projet « 03 WMS SmartStock – Prévision & réassort via IA + GA ».