Marek Saar

Vastutan poepõhise nõudluse prognoosimise eest, mis toetab 140 poe ja ligikaudu 30 000 tootekoodi täiendamist.

• Asendasin pärandliku statistilise torustiku gradiendivõimendusega hierarhiamudeliga, parandades tootekoodi tasandi WAPE-d 34%-lt 24%-le.
• Prognoosiparandused vähendasid riknevate kaupade raiskamist 18% ja laoseisu puudujääke 11%, mis on hinnanguliselt 6 miljonit eurot aastas.
• Ehitasin triiviseire ja automaatse tagasitestimise; vaiksed mudeli halvenemised tuvastatakse nüüd tundide, mitte nädalatega.
• Juhin kvartaalset prognoosimise ülevaadet tarneahela juhtkonnaga, tõlkides mudeli käitumise ostuotsusteks.

Lühiajaline koormuse ja taastuvenergia prognoosimine energiamüüjale, kes tasakaalustas 400 MW portfelli.

• Parandasin päev-ette koormusprognoosi MAPE-d 4,1%-lt 2,9%-le, vähendades tasakaalustuskulusid ligikaudu 1,2 miljoni euro võrra aastas.
• Ehitasin tõenäosusliku päikeseenergia tootmise mudeli, mida kauplemislaud kasutas päevasiseseks positsiooni suuruse määramiseks.
• Võtsin kasutusele tunnuslao mustrid, mis lühendasid uue mudeli iteratsiooniaega nädalatelt päevadeni.

Kliendi- ja sortimendianalüütika jaekaubandusklientidele.

• Ehitasin telekomikliendile lahkumise skoorimudeli, mis tõstis hoidmiskampaania konversiooni juhusliku sihtimisega võrreldes 2,3 korda.
• Automatiseerisin iganädalase kliendiaruandluse süsteemi, vabastades umbes ühe analüütikupäeva nädalas.

Python-teek, mis rakendab MinT- ja alt-üles-lepitust scikit-learniga ühilduva liidesega.

• Üle 700 GitHubi tärni; kasutajate teadete kohaselt kasutusel vähemalt neljas tootmise jaekaubanduse prognoosisüsteemis.
• Võrdlusaluste komplekt taasesitab avaldatud lepitustulemused kolmel avalikul andmestikul.

Praktiline õhtune töötuba tootmise prognoosimisest, mida korraldatakse kaks korda aastas kohalikus andmekogukonnas.

• Õpetasin üle 90 praktiku nelja rühma jooksul, keskmine hinnang 4,8/5.
• Kõik materjalid avatud lähtekoodiga, sealhulgas realistlik sünteetiline toidukauba andmestik.