---
type: inbox
area: inbox
status: inbox
date: 2026-05-03
created: 2026-05-03
updated: 1980-01-01
tags:
  - inbox
---
# CAHIER DES CHARGES 📄🚀✨

### Classification du risque de retard de commande & Prévision de la demande 🎓🤖📈
---
## 1. Contexte 🏗️🚚📈

Le constructeur automobile souhaite améliorer la fiabilité de ses livraisons et optimiser ses stocks. Les seules données accessibles sont les 2 classeurs Excel ("cleaned_data.csv"," Data_Catalogue.xlsx ") 
Le premier contenant l’historique des commandes de véhicules. Aucun accès Snowflake ni ETL n’est prévu .
Toutefois, l’usage d’API externes (météo, jours fériés…) est autorisé. 📊⏱️🚗
## 2. Objectifs 🎯📌🚀

1. **Classification du risque de retard :** prédire, dès les premières étapes du flux Supply, si une commande sera livrée en retard (binaire ou 3 classes).
    
2. **Prévision de la demande :** estimer les immatriculations hebdomadaires (ou commandes) 1 à 12 semaines à l’avance, par marque × marché.
    
3. **Visualisation :** publier un tableau de bord Power BI interactif (KPIs, heat‑maps, bandes de prévision).
## 3. Périmètre fonctionnel 🗂️📏🔒

| Inclus                                                                         |
| ------------------------------------------------------------------------------ |
| Ingestion & nettoyage du fichier qui contient les données                      |
| Enrichissement météo & calendrier                                              |
| Modèles ML : Un Model pour le  (retard) et un modèle pour la prévisi (demande) |
| MLOps (MLflow, Docker, CI GitHub Actions)                                      |
| Dashboard Power BI (rafraîchi ≤ 48 h)                                          |
## 4. Livrables attendus 📦📝📅

| No  | Livrable                   | Description                                                  | Échéance                   |
| --- | -------------------------- | ------------------------------------------------------------ | -------------------------- |
| 1   | **EDA & Data Dictionary**  | Analyse exploratoire, % manquants, définitions des variables | Semaine 1 (Notebook + PDF) |
| 2   | **Pipeline Prefect + DVC** | Scripts d’ingestion & versioning des jeux de données         | Semaine 2 (repo Git)       |
| 3   | **Modèle Retard v1**       | Baseline XGBoost                                             | Semaine 2 (MLflow run)     |
| 4   | **Features enrichies**     | Météo, lags, statistiques glissantes                         | Semaine 3 (Notebook)       |
| 5   | **Modèle Retard v2**       | TabTransformer + SHAP                                        | Semaine 4 (MLflow)         |
| 6   | **Modèle Demande**         | TFT multi‑horizon + Optuna                                   | Semaine 5 (MLflow)         |
| 7   | **API FastAPI dockerisée** | Endpoints '/predict_delay' & '/forecast_demand'              | Semaine 5 (image Docker)   |
| 8   | **Dashboard Power BI**     | 4 pages, visuels interactifs                                 | Semaine 6 (PBIX)           |
| 9   | **Rapport de soutenance**  | 20–30 pages + slides                                         | Semaine 7 (PDF + PPT)      |
## 5. Ressources & outils 🛠️⚙️💻

- **Langage :** Python 3.11
    
- **Data :** pandas, PyArrow
    
- **Orchestration :** Prefect 2 ; **DVC** pour versionner les jeux de données
    
- **Modélisation :** PyTorch, PyTorch‑Tabular, PyTorch Forecasting, CatBoost ou LightGBM, Optuna
    
- **MLOps :** MLflow, Docker, GitHub Actions, pre‑commit
    
- **Explainability :** SHAP, Captum
    
- **Visualisation :** Power BI Desktop + passerelle locale ou push REST
    

## 6. Contraintes ⚠️⏳🔐

- **Données :** L’étudiant ne dispose que des deux fichiers Excel mis à jour manuellement ; aucune base SQL.
    
- **Timing :** 1,5 mois (≈ 7 semaines) fermes.
    
- **Confidentialité :** Anonymiser toute donnée sensible dans les livrables publics.
    

## 7. Indicateurs de réussite 📊🏆✅

| KPI                         | Seuil minimal                       |
| --------------------------- | ----------------------------------- |
| AUC‑ROC modèle retard       | ≥ 0,85 sur un mois hors échantillon |
| WAPE prévision à 4 semaines | ≤ 15 % par ligne majeure            |
| Latence API                 | ⩽ 1 seconde par requête             |
| Rafraîchissement dashboard  | < 2 minutes après dépôt fichier     |