Daniel Lindqvist

Ansvarar för efterfrågeprognoser på butiksnivå som driver påfyllning för 140 butiker och ungefär 30 000 artiklar.

• Ersatte en gammal statistisk pipeline med en gradient-boostad hierarkimodell och förbättrade WAPE på artikelnivå från 34 % till 24 %.
• Prognosförbättringarna minskade färskvaruspillet 18 % och slutförsäljningen 11 %, värt uppskattningsvis 65 miljoner kronor om året.
• Byggde driftövervakning och automatiserad backtestning; tysta modellförsämringar upptäcks nu på timmar i stället för veckor.
• Leder den kvartalsvisa prognosgenomgången med logistikledningen och översätter modellbeteende till inköpsbeslut.

Kortsiktiga prognoser för last och förnybart för en elhandlare som balanserar en portfölj på 400 MW.

• Förbättrade MAPE för dygnsprognoser av last från 4,1 % till 2,9 % och skar balanskostnaderna med ungefär 13 miljoner kronor om året.
• Byggde en probabilistisk modell för solproduktion som handelsbordet använde för positionsstorlek under dagen.
• Införde feature store-mönster som kortade iterationstiden för nya modeller från veckor till dagar.

Kund- och sortimentsanalys för detaljhandelskunder.

• Byggde en avhoppsmodell för en telekomkund som lyfte konverteringen i behållningskampanjer 2,3 gånger jämfört med slumpmässig inriktning.
• Automatiserade den veckovisa kundrapporteringsstacken och frigjorde ungefär en analytikerdag i veckan.

Python-bibliotek som implementerar MinT och bottom-up-avstämning med ett scikit-learn-kompatibelt API.

• Fler än 700 stjärnor på GitHub; enligt användarrapporter använt i minst fyra prognosstackar i produktion inom detaljhandeln.
• Benchmarksviten reproducerar publicerade avstämningsresultat på tre öppna dataset.

Praktisk kvällsworkshop om prognoser i produktion, som körs två gånger om året i en lokal datagemenskap.

• Undervisade fler än 90 praktiker över fyra kullar, i snitt betygsatt 4,8/5.
• Allt material öppen källkod, inklusive ett realistiskt syntetiskt dagligvarudataset.