Starbucks Coffee - Déterminer l'emplacement idéal d'un entrepôt
0 j'aime383 vues
Le document traite de la détermination de l'emplacement idéal pour les entrepôts de Starbucks en Chine, en se concentrant sur la gestion de la supply chain et l'utilisation de méthodes de data science, notamment le clustering k-means. Il présente une analyse des données de 25 600 boutiques et décrit les étapes clés du projet, y compris la collecte, la préparation des données et l'évaluation du modèle. Les résultats montrent que le modèle permet d'identifier des clusters de boutiques pour optimiser la logistique de Starbucks.
![Data Modeling Power BI [SqlSat '18]](https://cdn.slidesharecdn.com/ss_thumbnails/sqlsaturdayparis2018datamodelingpowerbi-190616174926-thumbnail.jpg?width=560&fit=bounds)
Starbucks Coffee - Déterminer l'emplacement idéal d'un entrepôt
- 1. DÉTERMINER L’EMPLACEMENT IDÉAL D’UN ENTREPÔT STARBUCKS COFFEE
- 2. LES PRINCIPAUX ATTRIBUTS D’UNE EXCELLENTE SUPPLY CHAIN ENJEUX ❏ Un système de réapprovisionnement fiable ❏ Des coûts de stockage limités ❏ Réactivité et rapidité de livraison “PLAN SOURCE MAKE DELIVER”
- 3. CONTEXTE ET PROBLÉMATIQUE Logistique verticalement intégré de l’achat à la distribution 26 000 boutiques dans 75 pays Top 25 Supply Chain Gartner 2018 LA STRATÉGIE SUPPLY CHAIN AU COEUR DE STARBUCKS “PLAN SOURCE MAKE DELIVER”
- 4. CONTEXTE ET PROBLÉMATIQUE Logistique verticalement intégré de l’achat à la distribution Plan - Source - Make - Deliver 26 000 boutiques dans 75 pays Top 25 Supply Chain Gartner 2018 1 boutique en Chine tous les 15 heures, 3000 boutiques en 2019, 5000 pour 2021 LA STRATÉGIE SUPPLY CHAIN AU COEUR DE STARBUCKS “PLAN SOURCE MAKE DELIVER”
- 5. CYCLE DE VIE D’UN PROJET DE DATA SCIENCE DATA COLLECTE Recenser et collecter la donnée de différentes sources ÉVALUATION DU MODÈLE Évaluation des performances de l’algorithme DATA PRÉPARATION Nettoyer et préparer le jeu de données MODÈLE D’ALGORITHME MACHINE LEARNING Choix du modèle d’algorithme et entraînement du dataset DATA EXPLORATION Émettre quelques hypothèses et les vérifier Où implanter les entrepôts Starbucks Coffee en Chine ?
- 6. EASY PEASY ! DATA COLLECTE Récupération d’un fichier .csv sur Kaggle, Jeu de données de 25 600 boutiques dans le monde RECENSER ET COLLECTER LA DONNÉE DE DIFFÉRENTES SOURCES
- 7. NO ENCODING ! DATA PRÉPARATION & EXPLORATION Pas de valeurs nulles ou manquantes donc pas d’encodage ou de moyennes arithmétiques Suppression de plusieurs colonnes pour ne garder que la Latitude/Longitude des boutiques chinoises 2734/3000 boutiques NETTOYER, PRÉPARER LE JEU DE DONNÉES ET SE POSER LES BONNES QUESTIONS
- 8. ABRACADABRA ! EN 4 CLUSTERS TU TE TRANSFORMERAS ! MODÈLE DE MACHINE LEARNING 1) Utilisation de la méthode Elbow pour déterminer le nombre de cluster idéal 2) Fitting du Kmeans dans mon jeu de données 3) Représentation visuelle avec la librairie Matplotlib L’algorithme de clustering K-Means
- 9. ABRACADABRA ! EN 4 CLUSTERS TU TE TRANSFORMERAS ! MODÈLE DE MACHINE LEARNING 1) Utilisation de la méthode Elbow pour déterminer le nombre de cluster idéal 2) Fitting du Kmeans dans mon jeu de données 3) Représentation visuelle avec la librairie Matplotlib L’algorithme de clustering K-Means
- 10. AFFICHES MOI LES CENTROÏDES PAR TOUTATIS ! MODÈLE DE MACHINE LEARNING 4) Définition des centroïdes de mes clusters 5) Représentation des centroïdes grâce aux markers ‘^' L’algorithme de clustering K-Means
- 11. J’AI PAS PU LE FAIRE MAIS REGARDEZ MA DATAVIZ ! TADAAA ! ÉVALUATION DU MODÈLE Puis-je appliquer le même sur un autre jeu de données ? Puis-je m’en servir pour déterminer d’autres entrepôts dans d’autres pays ? Approche un peu simpliste ? Quelles autres variables ajouter ? Vérifier la fiabilité de l’algorithme
- 12. MERCI JEDHA !(et Émilien, bien sûr, pourvu qu’il aie un 10/10 sur les deux yeux)