Colas conçoit, construit et entretient des infrastructures de mobilité, produit des matériaux et propose des solutions pour les routes, rails, ports et aéroports.
Stage fin d'études - Optimisation gestion de flotte d'équipements H/F
Colas propose un stage de fin d’études à Paris au sein de la Direction de la Performance des Équipements, consacré à l’optimisation data-driven d’une flotte d’engins de chantier. La mission comprend l’exploration des données, la comparaison de modèles statistiques et de machine learning, ainsi que la formulation de recommandations et la reprise par les équipes IT. Le poste requiert notamment la maîtrise de Python et de SQL, avec une culture en NLP valorisée.
Repères sur Colas
- Offres ouvertes
- 1076
Détails de l’offre
La description complète publiée par Colas.
Description de l’offre
Votre mission Colas exploite plusieurs dizaines de milliers d'engins de chantier (pelles, finisseurs, compacteurs ...) pour plusieurs centaines de millions d'euros de coûts de maintenance et d'investissement par an, en France et à l'international. La Direction de la Performance des Equipements porte un programme data-driven de gestion de cette flotte. A partir de données, nous identifions des actions à prendre et ébauchons le plan d'investissement.
Vos responsabilités
Le but du stage est d'explorer davantage les sources de données à disposition afin de raffiner les analyses en place. Il s'agit d'une étude exploratoire, avec une liberté méthodologique. Le stagiaire n'est pas tenu de reproduire les modèles existants. Il peut les remettre en cause, les enrichir ou proposer des alternatives. Pourront être envisagées des analyses de verbatims, des modèles ML, des algorithmes autorégressifs ... Le stagiaire aura à :
- Prendre en main les données et les algorithmes actuel.
- Chercher les corrélations avec les facteurs explicatifs, construire et comparer des modèles.
- Formuler des recommandations pour faire évoluer les algorithmes
- Assurer une reprise par les équipes IT. Exemples de livrables attendus
- Rapport d'analyse exploratoire : facteurs significatifs, leur poids et leur robustesse.
- Plusieurs prototypes de modèles, avec protocole d'évaluation et comparaison à l'existant.
- Un code propre et documenté, sous forme de notebooks et de modules Python reproductibles.
Votre profil
- Étudiant(e) en dernière année d'école d'ingénieur généraliste (ou master équivalent), avec appétence pour la data science, l'IA, les statistiques, les mathématiques appliquées ou l'informatique.
- Une première expérience ou des projets d'étude en statistique et en machine learning.
- Maîtrise de Python (pandas, scikit-learn ...).
- Maîtrise de SQL.
- Une culture en NLP serait valorisée.
- Rigueur scientifique, esprit critique, goût pour le terrain et pour la vulgarisation des résultats.
- Appétence pour le milieu de la construction ou de la maintenance industrielle.
- Français courant, anglais professionnel (données et interlocuteurs internationaux).
Prérequis
- Étudiant(e) en dernière année d'école d'ingénieur généraliste ou master équivalent
- Première expérience ou projets d'étude en statistique et en machine learning
- Rigueur scientifique
- Esprit critique
- Goût pour le terrain
- Goût pour la vulgarisation des résultats
- Appétence pour le milieu de la construction ou de la maintenance industrielle