Данило Костенко

Відповідаю за прогнозування попиту на рівні магазинів, що живить поповнення для 140 магазинів і близько 30 000 товарних позицій.

• Замінив стару статистичну pipeline ієрархічною моделлю на градієнтному бустингу, покращивши WAPE на рівні позиції з 34 % до 24 %.
• Покращення прогнозів знизили списання швидкопсувних товарів на 18 % і дефіцит на полиці на 11 %, що оцінюється у 270 млн гривень на рік.
• Побудував моніторинг дрейфу та автоматичне зворотне тестування; тихі деградації моделі виявляються за години замість тижнів.
• Веду щоквартальний огляд прогнозів із керівництвом ланцюга постачання, перекладаючи поведінку моделі на закупівельні рішення.

Короткострокове прогнозування навантаження та відновлюваної генерації для енергопостачальника, що балансує портфель на 400 МВт.

• Покращив MAPE добового прогнозу навантаження з 4,1 % до 2,9 %, знизивши витрати на балансування приблизно на 54 млн гривень на рік.
• Побудував імовірнісну модель сонячної генерації, яку трейдинг використовує для визначення розміру позицій протягом доби.
• Запровадив підходи feature store, що скоротили ітерацію нової моделі з тижнів до днів.

Аналітика клієнтів та асортименту для роздрібних клієнтів.

• Побудував модель скорингу відтоку для телеком-клієнта, яка підняла конверсію утримувальної кампанії у 2,3 рази порівняно з випадковим таргетингом.
• Автоматизував щотижневу систему клієнтської звітності, вивільнивши близько одного аналітичного дня на тиждень.

Python бібліотека, що реалізує MinT і bottom-up узгодження з API, сумісним зі scikit-learn.

• Понад 700 зірок на GitHub; за повідомленнями користувачів працює щонайменше в чотирьох продакшн-системах прогнозування в рітейлі.
• Набір бенчмарків відтворює опубліковані результати узгодження на трьох публічних наборах даних.

Практичний вечірній воркшоп про прогнозування в продакшні, двічі на рік у місцевій спільноті даних.

• Навчив понад 90 практиків у чотирьох групах із середньою оцінкою 4,8/5.
• Усі матеріали у відкритому доступі, включно з реалістичним синтетичним продуктовим набором даних.

Магістерська робота про методи ієрархічного узгодження в прогнозуванні роздрібного попиту.

Сертифікація, що охоплює проєктування, розгортання та моніторинг ML pipeline у керованій хмарній інфраструктурі.