Daniels Kosta

Atbildu par veikalu līmeņa pieprasījuma prognozēšanu, kas darbina papildināšanu 140 veikaliem un aptuveni 30 000 preču pozīcijām.

• Nomainīju veco statistisko pipeline pret hierarhisku gradient boosting modeli, uzlabojot preces līmeņa WAPE no 34 % uz 24 %.
• Prognožu uzlabojumi par 18 % samazināja ātri bojājošos preču norakstījumus un par 11 % trūkumu plauktos, aptuveni 6 miljonu eiro vērtībā gadā.
• Izveidoju novirzes uzraudzību un automātisku atpakaļtestēšanu; klusa modeļa degradācija tiek atklāta stundās, nevis nedēļās.
• Vadu ceturkšņa prognožu pārskatu ar piegādes ķēdes vadību, pārtulkojot modeļa uzvedību iepirkuma lēmumos.

Īstermiņa slodzes un atjaunīgo resursu prognozēšana enerģijas tirgotājam, kas balansē 400 MW portfeli.

• Uzlaboju nākamās dienas slodzes prognozes MAPE no 4,1 % uz 2,9 %, samazinot balansēšanas izmaksas par aptuveni 1,2 miljoniem eiro gadā.
• Izveidoju varbūtīgo saules ražošanas modeli, ko tirdzniecības nodaļa izmanto pozīciju apjoma noteikšanai dienas laikā.
• Ieviesu feature store pieejas, kas jauna modeļa iterāciju saīsināja no nedēļām līdz dienām.

Klientu un sortimenta analītika mazumtirdzniecības klientiem.

• Izveidoju klientu aiziešanas vērtēšanas modeli telekomunikāciju klientam, kas noturēšanas kampaņas konversiju pacēla 2,3 reizes salīdzinājumā ar nejaušu mērķēšanu.
• Automatizēju iknedēļas klientu atskaišu sistēmu, atbrīvojot aptuveni vienu analītiķa dienu nedēļā.

Python bibliotēka, kas īsteno MinT un bottom-up saskaņošanu ar scikit-learn saderīgu saskarni.

• Vairāk nekā 700 GitHub zvaigznes; pēc lietotāju ziņojumiem izmantota vismaz četrās ražošanas mazumtirdzniecības prognozēšanas sistēmās.
• Etalonu komplekts atkārto publicētos saskaņošanas rezultātus trīs publiskās datu kopās.

Praktiska vakara darbnīca par prognozēšanu ražošanā, notiek divreiz gadā vietējā datu kopienā.

• Četrās grupās apmācīju vairāk nekā 90 praktiķus, vidējais vērtējums 4,8/5.
• Visi materiāli ir atvērtā koda, tostarp reālistiska sintētiska pārtikas mazumtirdzniecības datu kopa.