Contexte et objectifs

• La plateforme OrQoEstra centralise et structure des données issues des opérateurs télécoms, FAI et autres acteurs du marché numérique dans le cadre des missions de régulation.
• Objectif du projet : développer un moteur d’analyse intelligent pour détecter automatiquement des valeurs anormales (fraudes, erreurs de saisie, ruptures de tendance), identifier les tendances de marché à court et moyen terme et générer des rapports explicatifs et visuels automatisés.

Collecte, préparation et pipeline de données

• Explorer et connecter les différentes sources de l’Observatoire : import/export CSV, API, bases SQL, etc., et nettoyer/structurer les données historiques.
• Mettre en place un pipeline de traitement (ETL léger) garantissant l’ingestion récurrente des données et la reproductibilité des traitements (pré-traitement, normalisation, gestion des valeurs manquantes).

Détection d’anomalies et classification

• Implémenter et comparer plusieurs approches pour la détection automatique d’anomalies : Isolation Forest, DBSCAN, Z-score, résidus ARIMA, anomalies Prophet, Autoencoder (DL), etc.
• Catégoriser les anomalies détectées (erreurs de saisie, fraudes, ruptures de marché) et fournir des règles/explanations pour faciliter la validation humaine.

Analyse de tendances et visualisation

• Étudier les indicateurs clés : revenus, abonnés, consommation data/voix/SMS, QoS, parts de marché; déterminer corrélations et points d’inflexion.
• Produire des visualisations dynamiques et explicatives (courbes d’évolution, heatmaps, séries temporelles annotées) utilisables dans des tableaux de bord et rapports périodiques.

Livrables attendus

• Un moteur d’analyse prototype capable de détecter et classer des anomalies et de générer des rapports automatisés (format PDF/HTML/visuel).
• Pipeline ETL documenté, code source maintenable, jeu d’exemples/jeux de tests et guide d’utilisation pour l’équipe Observatoire.

Environnement technique et compétences recherchées

• Compétences recommandées : data engineering (ETL, SQL), data science/statistiques, machine learning et deep learning pour séries temporelles.
• Outils/technos possibles : Python (pandas, scikit-learn, Prophet, tensorflow/keras), outils de visualisation (Plotly, matplotlib, seaborn), bases SQL et APIs.

Modalités de candidature

• Merci d’envoyer votre CV et une lettre de motivation précisant votre expérience en détection d’anomalies et séries temporelles à l’adresse suivante : stages@sfmtechnologies.com.
• Utilisez pour l’objet de votre email : "Candidature SUJET 14 - Analyse intelligente des données de l’Observatoire PFE" et précisez vos disponibilités et la durée souhaitée du stage.