Daniel Kristiansen

Eier etterspørselsprognoser på butikknivå som driver etterfylling for 140 butikker og rundt 30 000 varenumre.

• Erstattet en eldre statistisk pipeline med en gradientforsterket hierarkimodell, og forbedret WAPE på varenummernivå fra 34 % til 24 %.
• Prognoseforbedringer reduserte svinn på ferskvarer med 18 % og tomme hyller med 11 %, verdt en estimert 60 millioner kroner i året.
• Bygde driftsovervåking og automatisert backtesting; stille modellforringelser oppdages på timer i stedet for uker.
• Kjører den kvartalsvise prognosegjennomgangen med forsyningskjedeledelsen, og oversetter modelloppførsel til innkjøpsbeslutninger.

Kortsiktige prognoser for last og fornybar energi for en strømleverandør som balanserte en portefølje på 400 MW.

• Forbedret MAPE for dag-foran-lastprognose fra 4,1 % til 2,9 %, og kuttet balansekostnader med rundt 12 millioner kroner i året.
• Bygde en probabilistisk solproduksjonsmodell brukt av handelsbordet til posisjonsdimensjonering gjennom dagen.
• Innførte feature store-mønstre som kuttet iterasjonstiden for nye modeller fra uker til dager.

Kunde- og sortimentsanalyse for detaljhandelskunder.

• Bygde en frafallsmodell for en telekomkunde som løftet konverteringen på retensjonskampanjer 2,3 ganger sammenlignet med tilfeldig målretting.
• Automatiserte den ukentlige kunderapporteringsstakken, og frigjorde rundt én analytikerdag i uken.

Python-bibliotek som implementerer MinT- og bottom-up-avstemming med et scikit-learn-kompatibelt API.

• Over 700 stjerner på GitHub; brukt i minst fire produksjonsstakker for detaljhandelsprognoser ifølge brukerrapporter.
• Referansesuiten reproduserer publiserte avstemmingsresultater på tre offentlige datasett.

Praktisk kveldsworkshop om produksjonsprognoser, kjørt to ganger i året i et lokalt datafellesskap.

• Lærte opp over 90 praktikere på tvers av fire kull, vurdert til 4,8/5 i snitt.
• Alt materiell er åpen kildekode, inkludert et realistisk syntetisk dagligvaredatasett.