Stage Data Analyst : Modélisation et Prévision de la Demande Aéronautique (H/F) - SAFRAN VENTILATION SYSTEMS (FRANCE)

Safran est un groupe international de haute technologie opérant dans les domaines de l'aéronautique (propulsion, équipements et intérieurs), de l'espace et de la défense. Sa mission : contribuer durablement à un monde plus sûr, où le transport aérien devient toujours plus respectueux de l'environnement, plus confortable et plus accessible. Implanté sur tous les continents, le Groupe emploie 100 000 collaborateurs pour un chiffre d'affaires de 27,3 milliards d'euros en 2024, et occupe, seul ou en partenariat, des positions de premier plan mondial ou européen sur ses marchés. Safran est la 2ème entreprise du secteur aéronautique et défense du classement « World's Best Companies 2024 » du magazine TIME. Safran Ventilation Systems est un leader mondial dans le développement et la fabrication d'équipements de ventilation pour les avions commerciaux, régionaux et d'affaires, ainsi que pour les hélicoptères civils et militaires. Parce que nous sommes persuadés que chaque talent compte, nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploi

Descriptif mission

Dans un environnement aéronautique caractérisé par des cycles de production longs, une forte variabilité de la demande et des événements exceptionnels, la qualité des prévisions est un levier essentiel de la performance industrielle. Au sein d'une équipe supply chain et en lien avec les métiers de la data, vous participerez au développement d'un modèle de prévision de la demande intégrant à la fois des capacités prédictives et une mesure de l'incertitude associée aux prévisions. Vos principales missions seront les suivantes : 1. Analyser et qualifier les données - Étudier les historiques de commandes disponibles. - Identifier les tendances, saisonnalités, ruptures, valeurs atypiques et phénomènes d'intermittence de la demande. - Définir une segmentation pertinente des références ou familles de produits. 2. Construire un modèle de prévision - Développer et comparer différentes méthodes de prévision de la demande, des approches statistiques classiques aux techniques de machine learning. - Identifier les modèles les plus adaptés aux caractéristiques des données étudiées. - Évaluer leurs performances et définir une méthodologie permettant leur utilisation opérationnelle. 3. Développer une approche probabiliste - Construire des prévisions intégrant une mesure de l'incertitude. - Développer des intervalles ou distributions de prévision. - Étudier la probabilité de différents scénarios de demande afin d'améliorer la prise de décision. 4. Évaluer la performance des modèles - Mettre en œuvre des méthodes de validation temporelle par backtesting. - Comparer les performances à l'aide d'indicateurs adaptés : MAE, RMSE, biais, WAPE et métriques spécifiques aux demandes intermittentes. - Identifier les approches les plus pertinentes selon les différentes typologies de demande. 5. Construire un prototype opérationnel - Automatiser les étapes de préparation des données, d'entraînement, de prévision et d'évaluation. - Restituer les résultats sous une forme exploitable par les utilisateurs métiers. - Documenter les hypothèses, limites et conditions d'utilisation des modèles développés. Livrables attendus : Une analyse statistique détaillée des historiques et une segmentation des données. Un benchmark documenté des méthodes de prévision étudiées. Un ou plusieurs modèles sélectionnés sur la base de critères objectifs de performance. Une solution de prévision intégrant une mesure d'incertitude. Un prototype permettant de reproduire et d'automatiser les calculs. Un guide utilisateur détaillant les modalités d'utilisation des modèles de prévision.

Formation : - Élève ingénieur-e en dernière année ou étudiant-e en Master 2, à la recherche d'un stage de 6 mois. - Spécialisation en mathématiques appliquées, statistiques, probabilités, data science ou domaine équivalent. Compétences techniques : - Solides connaissances en probabilités et statistiques. - Bonne maîtrise des séries temporelles et des méthodes de prévision. - Maîtrise d'Excel et de Power BI. - Connaissances en SQL appréciées. Qualités personnelles : - Fort intérêt pour la modélisation mathématique et l'analyse de données. - Capacité à confronter des modèles théoriques à des problématiques industrielles réelles. - Rigueur scientifique et esprit critique. - Aptitude à vulgariser des résultats complexes auprès d'interlocuteurs non spécialistes. - Autonomie, curiosité et capacités de synthèse.]]><