NomAds

Mesh

Call to Action - CTA

Customerz

The Phoners

O(n) code

Isto

We Are HANABI

Nakami Strategy

Panda Perché 🐼

Dona & Che

GrowthPerf

Ads for Growth

WiredFlow

Open Product

Matilde & Cie

NEIA development

Shinrai

Conception et développement d’un outil en ligne destiné aux clients de Valeo: <a href="http://www.valeocompressors.com/performance-tool" target="_blank" rel="noopener noreferrer nofollow">http://www.valeocompressors.com/performance-tool</a> L’outil permet à un client Valeo de trouver le compresseur idéal en fonction des paramètres de son système de climatisation/réfrigération. Réalisations :<ul><li>modélisation mathématique des performances des compresseurs en fonction des conditions d'utilisations (Python).</li><li>développement d'une application en ligne avec une interface pour mettre ce modèle en production.</li></ul>

Modélisation des performances de compresseurs pour créer un outil de recommandation en ligne.

L'outil développé dans le cadre de sa mission est robuste et aujourd'hui utilisé pour la promotion technique du produit compresseur. Nous avons apprécié son efficacité technique et sa qualité de rédaction de la documentation pour le suivi post-mission.

Performance tool pour Valeo Japan

For the EMEA Operations department of the Home entertainment division of The Walt Disney Company.Objectives:<ul><li>Reduce headcount of demand &amp; production planners</li><li>Improve margins by reducing logistics &amp; inventory costs</li><li>Build capabilities towards an automated production planning system</li><li>Eliminate external maintenance fees for current legacy application</li></ul>Activities:<ul><li>Review very opaque legacy application (pure SQL Server backend) with minimal documentation</li><li>Understand supply chain existing practices and algorithms and find improvements</li><li>Run simulations on historical data with different production planning policies</li><li>Optimize SQL queries and calculations to decrease execution time by one order of magnitude</li></ul>Key results:<ul><li>Found more than 100k€/year of recurrent costs reduction due to an algorithmic mistake in legacy code</li></ul><ul><li>Reduced execution time from 14h (on legacy code) to less than 3 seconds</li><li>Delivered a documented, easy to maintain, and performant production planning system</li></ul>

Production planning algorithm optimization

This project was part of a board-level strategic roadmap initiative. It consisted of the design, implementation, and roll-out (PMO) to +15 countries of a custom data-driven B2B pricing engine integrated into Salesforce with over +1B€ annual revenue in scope.Objectives:<ul><li>Improve sales margins in a complex B2B deal-by-deal setting</li><li>Standardize pricing mechanisms across all regions and countries</li><li>Improve the effectiveness and reactivity of the local pricing teams</li></ul>Activities:<ul><li>User research interviews at all levels of the Sales function to discover users' pain points and map processes, and tools</li></ul><ul><li>Technical review of the existing initiatives/solutions throughout the whole group</li><li>Development of customer segmentation and pricing algorithms in fast iterative loops</li><li>Deploying a proof-of-concept in carefully selected pilot teams to validate and refine the approach</li><li>Design of business and technical processes and material to onboard new teams</li><li>Leading a fast, large-scale, multi-tiered roll-out process by ensuring local buy-in and adoption</li></ul>Key results:<ul><li>Successful roll-out to +15 countries</li><li>+1B€ annual revenue in scope</li></ul>

Peer-to-peer pricing & customer segmentation engine

Le shape nesting est un problème d'optimisation combinatoire complexe que l'on retrouve couramment dans l'industrie manufacturière. Cela consiste à trouver l'agencement optimal de formes 2D quelconques lors d'usinage, pour rentabiliser chaque centimètre carré de matière brute.L'espace des solutions possibles est souvent trop grand pour être explorer en un temps raisonnable. La rapidité de l'algorithme et du code ainsi que la stratégie d'exploration sont donc deux critères essentiels de réussite.Réalisations :<ul><li>développement d'un algorithme comparable aux solutions commerciales disponibles</li><li>Optimisation du code d'un facteur 100 entre la première itération et la dernière. Aujourd'hui des étapes aussi simple qu'une condition "if x &gt; n" ont un impact significatif sur la vitesse d'exécution</li></ul>Optimisations mises en place avec succès :<ul><li>caching de résultats intermédiaires</li><li>utilisation d'integer plutôt que de float (+ rapide, + stable numériquement)</li><li>utilisation de librairies externes uniquement codées en C et réputées stables et rapides</li><li>profiling du code ligne à ligne</li><li>refactoring permanent pour garder le code minimal et éviter les opérations superflues et/ou redondantes. </li><li>emploi des types et fonctions built-in pour éviter des conversions vers et depuis des types de données externes </li><li>comparaison de plusieurs approches, notamment pour la stratégie d'exploration (Algo génétique, heuristiques, Monte carlo tree search, ...)</li></ul>

Conception et optimisation d'un algorithme de shape nesting (2D bin packing) pour l'industrie.

Optimisation algorithmique en Python

"Beyond the 80/20 principle, that's when the fun begins"Formés sur les bancs de Supaéro à transpiler des filtres de Kalman pour des satellites de l'ESA, accélérer le calcul de trajectoires pour des véhicules autonomes, ou déterminer des profils d'ailes d'avions de combat avec des algorithmes génétiques, nous sommes avides de problèmes&nbsp;complexes à résoudre.Notre approche : Comprendre &gt; Rechercher &gt; Expérimenter &gt; RépéterÀ deux nous avançons&nbsp;4x plus vite. Mettre en commun nos efforts pour tester des hypothèses, explorer des solutions et écrire du code produit une synergie nous permettant d'économiser un temps précieux pour atteindre notre objectif.

758 matching collectives