Stage - Assistant.e Data Science Supply Explainability and Features - Avril 2026 - Louis Vuitton

Beschreibung:

Depuis plus de 150 ans, les femmes et les hommes de Louis Vuitton partagent le même esprit d'exigence, de passion et réinventent chaque jour leur métier, partout dans le monde. Chez nous, chaque parcours est un véritable voyage, nourri d'émotion et de conquête, d'envie et d'audace. La plus belle façon de vous révéler. Explorer, développer, innover, créer...
À chacun son voyage. Aujourd'hui, Louis Vuitton vous invite à découvrir le vôtre.
Louis Vuitton est connu pour la qualité de ses produits et se place aujourd'hui comme le leader français du luxe. La diversité de ses gammes et le lancement régulier de nouveaux articles, en conservant la même exigence et savoir-faire, constituent une grande force de la marque.
Lorsqu'une nouvelle collection est lancée, les équipes Supply et Merchandising collaborent pour décider du niveau d'investissement à allouer à cette collection afin de maximiser le profit tout en assurant un taux de vente élevé. Cet investissement est appelé « le buy » et détermine le nombre de pièces à produire pour chaque article de la nouvelle collection. La prise de décision est actuellement manuelle et repose sur des années d'expérience, la connaissance des produits similaires issus des collections précédentes et de leur comportement, l'état du marché ainsi qu'une variété d'autres facteurs.
L'apprentissage automatique apporte des méthodes réactives et pertinentes pour compléter l'expertise métier et accompagner les équipes Supply et Merchandising dans leur prise de décision.
La première étape dans le calcul du « buy » pour un nouvel article consiste à identifier un produit de référence similaire issu des collections précédentes. Cette démarche implique une combinaison de computer vision, d'analyse des séries temporelles de ventes et d'approches d'apprentissage automatique traditionnelles.
Un outil a déjà été développé pour les chaussures, et l'objectif de ce stage sera d'étendre son application à d'autres catégories de produits, telles que le prêt-à-porter ou la maroquinerie, afin de généraliser son utilisation.
Ainsi, le stage s'articule autour de la problématique suivante :
* Comment identifier, pour un article de nouvelle collection, le produit de référence le plus pertinent parmi les collections passées ?
* Comment évaluer la pertinence du produit identifié ?
* Comment adapter l'algorithme d'identification de produits de référence, initialement conçu pour les chaussures, à de nouvelles catégories de produits telles que le prêt-à-porter ou la maroquinerie, en gérant les variations visuelles et textuelles accrues ?
* Quelles contraintes spécifiques à ces nouvelles catégories (au-delà des besoins exprimés par les merchandisers) devraient être intégrées dans la recherche et l'adaptation de l'algorithme ?
* En se concentrant sur le prêt-à-porter, comment pourrions-nous détecter la texture dans les images afin de récupérer des produits similaires du point de vue textural ?
Master ou école d'ingénieur en machine learning Langages maitrisés : Python, SQL Technologies utilisées : Dataïku, Google Cloud Platform Esprit analytique, collaboratif et orienté résultat. Curieux, passionné par l'IA et volonté d'innover. Anglais courant