Daniel Salminen

Data scientist, joka toimittaa ennustemalleja jotka kestävät tuotannossa

Data scientist, jolla on seitsemän vuoden kokemus ennuste- ja optimointijärjestelmien rakentamisesta, jotka toimivat tuotannossa eivätkä muistikirjoissa. Vastaa tällä hetkellä kysyntäennustamisesta päivittäistavara-alustalle, jossa mallien parannukset vähensivät tuoretuotteiden hävikkiä 18 % 140 myymälässä. Ottaa mielellään vastuun koko polusta: ongelman kehystämisestä, mallinnuksesta, käyttöönotosta ja seurannasta, joka pitää mallin rehellisenä.

Senior Data Scientist, ennustaminen

maaliskuusta 2022 alkaen

Vastaa myymäläkohtaisesta kysyntäennustamisesta, joka ohjaa täydennystä 140 myymälässä ja noin 30 000 tuotenimikkeelle.

  • Korvasi vanhan tilastollisen putken gradient-boosting-hierarkiamallilla ja paransi tuotenimiketason WAPE:a 34 prosentista 24 prosenttiin.
  • Ennusteparannukset vähensivät tuoretuotteiden hävikkiä 18 % ja loppuunmyyntejä 11 %, arvoltaan noin 6 miljoonaa euroa vuodessa.
  • Rakensi ajautumisen seurannan ja automaattisen taaksepäintestauksen; hiljaiset mallin heikkenemiset havaitaan nyt tunneissa viikkojen sijaan.
  • Vetää neljännesvuosittaisen ennustekatsauksen toimitusketjun johdon kanssa ja kääntää mallin käyttäytymisen ostopäätöksiksi.
EnnustaminenGradient boostingMLOpsVähittäiskauppa

Data Scientist

syyskuusta 2019 helmikuuhun 2022

Lyhyen aikavälin kuormitus- ja uusiutuvan energian ennustaminen energiayhtiölle, joka tasapainotti 400 MW:n portfoliota.

  • Paransi vuorokausimarkkinan kuormitusennusteen MAPE:a 4,1 prosentista 2,9 prosenttiin ja leikkasi tasepoikkeamakustannuksia noin 1,2 miljoonaa euroa vuodessa.
  • Rakensi probabilistisen aurinkotuotantomallin, jota kaupankäyntipöytä käytti päivänsisäiseen positiomitoitukseen.
  • Otti käyttöön piirrevaraston mallit, jotka lyhensivät uuden mallin iteraatioajan viikoista päiviin.
AikasarjatProbabilistinen ennustaminenEnergiamarkkinat

Data-analyytikko

lokakuusta 2017 elokuuhun 2019

Asiakas- ja valikoima-analytiikkaa vähittäiskaupan asiakkaille.

  • Rakensi teleoperaattoriasiakkaalle poistuma-pisteytysmallin, joka nosti asiakaspitokampanjan konversiota 2,3-kertaiseksi satunnaiseen kohdennukseen verrattuna.
  • Automatisoi viikoittaisen asiakasraportoinnin, mikä vapautti noin yhden analyytikkopäivän viikossa.
PythonSQLPoistumamallinnus

reconcile-ts

kesäkuusta 2023 alkaen

Python-kirjasto, joka toteuttaa MinT- ja alhaalta-ylös-sovituksen scikit-learn-yhteensopivalla rajapinnalla.

  • Yli 700 GitHub-tähteä; käyttäjien raporttien mukaan käytössä vähintään neljässä tuotannon vähittäiskaupan ennustepinossa.
  • Vertailusarja toistaa julkaistut sovitustulokset kolmella julkisella datajoukolla.
Avoin lähdekoodiPythonEnnustaminen

Helsingin ML-ennustetyöpaja

syyskuusta 2024 alkaen

Käytännönläheinen iltatyöpaja tuotannon ennustamisesta, järjestetään kahdesti vuodessa paikallisessa datayhteisössä.

  • Kouluttanut yli 90 ammattilaista neljässä ryhmässä, keskiarvo 4,8/5.
  • Kaikki materiaalit avoimen lähdekoodin, mukaan lukien realistinen synteettinen päivittäistavaradatajoukko.
OpettaminenYhteisö

FM, soveltava matematiikka ja data science

syyskuusta 2015 heinäkuuhun 2017

Pro gradu hierarkkisista sovitusmenetelmistä vähittäiskaupan kysyntäennustamisessa.

AikasarjatOptimointiTilastotiede

LuK, matematiikka

syyskuusta 2012 kesäkuuhun 2015
TodennäköisyysNumeeriset menetelmät

Kattava ML-pino piirteiden muokkauksesta tuotannon seurantaan.

Python (pandas, scikit-learn)Gradient boosting (LightGBM, XGBoost)AikasarjaennustaminenProbabilistinen mallinnusSQL ja dbtAirflowMLflow ja kokeiden seurantaMallien seuranta ja ajautumisen havaitseminenSparkSidosryhmäviestintä

Työskentelee englanti edellä toimivissa tiimeissä; äidinkielenään suomi.

suomi (äidinkieli)englanti (C1)ruotsi (B2)

Professional Cloud ML Engineer

myönnetty tammikuussa 2024

Sertifiointi, joka kattaa ML-putkien suunnittelun, käyttöönoton ja seurannan hallitussa pilvi-infrastruktuurissa.

MLOpsPilvi