Abstract:
Ce mémoire porte sur la prévision des quantités mensuelles de produits au sein de l'entreprise Cevital, en combinant les méthodes classiques d'analyse de séries temporelles (comme
SARIMA) et les algorithmes de machine learning (tels que XGBoost et LSTM). Après une pré-
sentation de l'entreprise, l'étude explore les fondements théoriques des séries temporelles et du
machine learning. Une application pratique est réalisée à partir de données réelles, impliquant
la préparation, l'analyse, la modélisation et la comparaison des performances des différents
modèles. Le travail se conclut par le développement d'un modèle hybride SARIMA-XGBoost,
jugé performant pour la prévision. L'objectif final est d'améliorer la prise de décision straté-
gique grâce à des prévisions plus précises. Ce mémoire s'inscrit dans le cadre d'un Master en
Sciences de données et aide à la décision.
