Présentation

• - - - - - - - - - - -

Ce sujet s’inscrit dans le cadre de l’EPIC5 de DDE (Data Driven Engineering) dédié au déploiement de produit digitaux dans le domaine du matériau Michelin.

Ce sujet est dédié au volet « Data Quality » des spécifications et résultats laboratoires de ces même matériau, afin de contribuer à une meilleure valorisation de ces 2 jeux de données.

Sous-sujet N°1 :

Un jeu de données « Spécification matériau » est désormais à disposition dans le CDL (Corporate Data Lake) Michelin. Ce jeu de données est mis sous contrôle de la « Data Team » cependant d’autres règles « Business » doivent y être appliquées.

L’ensemble de ces règles – et les controles associés – ont été rédigés et validés par les équipes Qualité Matériau mais elles sont pas encore été appliquées en masse au jeu de données mis à dipisition.

L’objectif sera de :

• Mettre en place les algorithmes de calcul permettant de dresser un état des lieux « as is » du jeu de données « Spécification matériau » proposé ;
• Proposer un pipeline de traitement des futures données (ajout / mise à jour) de ce même jeu de données afin d’en maintenir la qualité dans la durée ;
• Proposer un système d’alerting dans ce cas d’anomalies constatées dans le temps.

L’outil Dataiku est préconisé (car utilisé également par la Data Team) , avec des possibilités de codage en Python dans ce même écosystème produit.

Sous-sujet N°2 :

Un second jeu de données « Résultats matériau » est également mis à disposition dans le CDL Michelin. Ce jeu de données est mis sous contrôle de la « Data Team » cependant d’autres règles « Business » pourraient y être appliquées.

L’ensemble de ces règles – et les contrôles associés – n’ont pas encore été entièrement figées, et plusieurs axes d’analyse sont proposés :

• Mettre en place une détection de « Valeurs aberrantes » en s’appuyant sur l’historique compilé sur la même typologie de résultats matériau ;
• Mettre en place un système de prédiction des valeurs futures afin d’anticiper de potentielles dérives de qualité de ces mêmes résultats ;
• Mettre en place un système d’alerting des personnes en charge de l’encodage de ces résultats, ou du maintien de la qualité matériau au quotidien.

Compétences requises :

Savoir-faire

• Analyse de données : Utilisation d'outils pour traiter et visualiser des données.
• Modélisation statistique : Application des méthodes statistiques pour détecter les anomalies.
• Gestion de bases de données : Manipulation et interrogation de grands ensembles de données.
• Utilisation de Dataiku : Maîtrise de la plateforme pour le traitement des données.
• Suivi de la qualité des données : Mise en place de systèmes pour garantir la qualité des données.

Savoir-être

• Rigueur et précision : Attention aux détails garantissant la qualité des données.
• Esprit critique : Capacité à remettre en question les résultats et proposer des améliorations.
• Travail en équipe : Collaboration efficace avec les membres de l'équipe.
• Flexibilité et adaptabilité : Ouverture à des contextes en constante évolution.
• Communication : Expliquer clairement les résultats aux non-techniciens.

• - - - - - - - - - - -