Daniel Wagner

Verantwortet die filialgenaue Bedarfsprognose, die die Nachdisposition für 140 Filialen und rund 30.000 Artikel steuert.

• Eine veraltete statistische Pipeline durch ein Gradient-Boosted-Hierarchiemodell ersetzt und den WAPE auf Artikelebene von 34 % auf 24 % verbessert.
• Prognoseverbesserungen senkten den Verderb von Frischware um 18 % und Fehlbestände um 11 %, mit einem geschätzten Wert von 6 Mio. Euro pro Jahr.
• Drift-Monitoring und automatisiertes Backtesting aufgebaut; stille Modellverschlechterungen werden nun in Stunden statt Wochen erkannt.
• Leitet das vierteljährliche Prognose-Review mit der Supply-Chain-Leitung und übersetzt Modellverhalten in Einkaufsentscheidungen.

Kurzfristige Last- und Erneuerbaren-Prognose für einen Energieversorger, der ein Portfolio von 400 MW ausbalanciert.

• Den MAPE der Day-Ahead-Lastprognose von 4,1 % auf 2,9 % verbessert und damit die Ausgleichskosten um rund 1,2 Mio. Euro pro Jahr gesenkt.
• Ein probabilistisches Modell der Solarproduktion gebaut, das der Handelstisch für die untertägige Positionsgröße nutzt.
• Feature-Store-Muster eingeführt, die die Iterationszeit für neue Modelle von Wochen auf Tage verkürzten.

Kunden- und Sortimentsanalytik für Handelskunden.

• Ein Churn-Scoring-Modell für einen Telekommunikationskunden gebaut, das die Conversion der Bindungskampagne gegenüber zufälliger Ansprache um das 2,3-Fache steigerte.
• Den wöchentlichen Kundenreporting-Stack automatisiert und damit rund einen Analystentag pro Woche freigesetzt.

Python-Bibliothek, die MinT- und Bottom-up-Reconciliation mit einer scikit-learn-kompatiblen API umsetzt.

• Über 700 GitHub-Sterne; laut Nutzerberichten in mindestens vier produktiven Handelsprognose-Stacks im Einsatz.
• Die Benchmark-Suite reproduziert veröffentlichte Reconciliation-Ergebnisse auf drei öffentlichen Datensätzen.

Praxisnaher Abendworkshop über Prognose im Produktivbetrieb, zweimal im Jahr in einer lokalen Data-Community.

• Über 90 Praktiker in vier Durchläufen unterrichtet, im Schnitt mit 4,8 von 5 bewertet.
• Alle Materialien als Open Source veröffentlicht, inklusive eines realistischen synthetischen Lebensmitteldatensatzes.