Optimisation de la préparation des commandes modifiées grâce au développement de modèles de machine learning chez AGC Glass Europe

Details

Supervisors

Agrell, Per Joakim

Faculty

Louvain School of Management

Degree label

Master [120] : ingénieur de gestion, à finalité spécialisée

Abstract

Ce mémoire vise à optimiser la préparation des commandes modifiées chez AGC Glass Europe en utilisant des modèles de machine learning. Cette problématique se concentre sur l'efficacité opérationnelle de l'entreprise. L'étude explore l'application de techniques de nettoyage et de traitement des données pour les utiliser dans des modèles de machine learning tels que la régression logistique. Des techniques de gestion du déséquilibre des classes, comme le suréchantillonnage (SMOTE), sont employées pour améliorer la précision des prédictions. Les résultats démontrent que ces modèles permettent de capturer de manière significative les commandes susceptibles d'être modifiées, contribuant ainsi à l'optimisation du processus logistique de l'entreprise. Cette approche novatrice ouvre de nouvelles perspectives pour les entreprises désireuses d'optimiser leur chaîne d'approvisionnement à l'aide d'outils technologiques avancés.