Jakub Dvořák

Zodpovídám za prognózu poptávky na úrovni prodejen, která řídí doplňování zásob pro 140 prodejen a zhruba 30 000 položek.

• Nahradil jsem zastaralý statistický pipeline hierarchickým modelem s gradient boostingem a zlepšil WAPE na úrovni položek z 34 % na 24 %.
• Zlepšené prognózy snížily plýtvání rychle se kazícím zbožím o 18 % a výpadky zásob o 11 %, v odhadované hodnotě 6 milionů EUR ročně.
• Postavil jsem monitoring driftu a automatizovaný backtesting; tiché degradace modelů se odhalí během hodin místo týdnů.
• Vedu čtvrtletní revizi prognóz s vedením supply chainu a překládám chování modelů do nákupních rozhodnutí.

Krátkodobá prognóza spotřeby a výroby z obnovitelných zdrojů pro dodavatele energie s portfoliem 400 MW.

• Zlepšil jsem MAPE denní prognózy spotřeby ze 4,1 % na 2,9 %, což snížilo náklady na vyrovnávání zhruba o 1,2 milionu EUR ročně.
• Postavil jsem pravděpodobnostní model solární výroby, který trading desk používá k dimenzování intraday pozic.
• Zavedl jsem vzory feature store, které zkrátily iteraci nových modelů z týdnů na dny.

Zákaznická a sortimentní analytika pro retailové klienty.

• Postavil jsem model skórování churnu pro telekomunikačního klienta, který zvedl konverzi retenčních kampaní 2,3krát oproti náhodnému cílení.
• Zautomatizoval jsem týdenní klientský reporting a uvolnil tak zhruba jeden analytický den týdně.

Python knihovna implementující rekonciliaci MinT a bottom-up s API kompatibilním se scikit-learn.

• Přes 700 hvězd na GitHubu; podle uživatelů nasazená minimálně ve čtyřech produkčních retailových prognostických stacích.
• Benchmarková sada reprodukuje publikované výsledky rekonciliace na třech veřejných datasetech.

Praktický večerní workshop o prognózách v produkci, pořádaný dvakrát ročně v místní datové komunitě.

• Přes 90 vyškolených praktiků ve čtyřech bězích, s průměrným hodnocením 4,8/5.
• Všechny materiály jsou open source, včetně realistického syntetického datasetu online potravin.