Projektbeschreibung
ÜbersetztWir sind ein Handelsunternehmen mit eigenem Lager, und bisher wurde die Beschaffung und Produktionsplanung auf der Intuition einiger erfahrener Manager und mehreren Excel-Tabellen aufgebaut. Dieser Ansatz kostet uns zunehmend Geld: Entweder lagern wir langsam bewegende Waren und binden Betriebskapital im Lager, oder zu Spitzenbestellzeiten fehlen uns beliebte Artikel und wir verlieren Umsatz. Wir möchten von der Planung "aus dem Bauch heraus" zu datengestützten Lösungen übergehen und suchen einen Spezialisten, der ein Machine-Learning-Modell für Verkaufs- und Nachfrageprognosen basierend auf der bereits gesammelten Historie aufbaut. Wir sind bereit, ungefähr drei bis vier Jahre tägliche und wöchentliche Verkaufszahlen in Bezug auf SKU, Geschäft und Kanal sowie einen Kalender vergangener Aktionen, Preisänderungen und Engpasszeiten bereitzustellen.
Der Kern der Aufgabe ist ein Zeitreihenmodell, das die Nachfrage für die kommenden Wochen und Monate auf der Ebene einzelner Produkte und Produktgruppen prognostiziert. Es muss unbedingt die Saisonalität berücksichtigen (wir haben ausgeprägte jährliche und wöchentliche Zyklen), Feiertage und die Auswirkungen von Aktionen und Rabatten: Ein naives Modell, das Marketingkampagnen ignoriert, ist für uns nutzlos. Wir erwarten eine ehrliche Datenvorverarbeitung und -bereinigung, Feature Engineering, den Vergleich mehrerer Ansätze und eine klare Bewertung mit Genauigkeitsmetriken — MAPE, MAE und Bias — aufgeschlüsselt nach Kategorie, damit wir verstehen, wo die Prognose vertrauenswürdig ist und wo menschliche Kontrolle weiterhin erforderlich ist. Eine kurze Beschreibung der Ergebnisse in einfacher Geschäftssprache ist uns ebenso wichtig wie der Code selbst.
Ebenso wichtig ist, dass die Prognose tatsächlich jeden Monat ohne ständige Beteiligung eines Data Scientists verwendet werden kann. Wir benötigen eine einfache wiederholbare Möglichkeit, frische Verkaufszahlen hochzuladen und eine aktualisierte Prognose zu erhalten — ein Skript oder eine leichte Schnittstelle, die unser eigener Analyst ausführen kann, mit Export in einem Format, das in Excel geöffnet werden kann oder in unseren Planungsprozess einfließt. Der bevorzugte Stack ist Python. Bitte erzählen Sie uns von ähnlichen Prognoseprojekten, die Sie durchgeführt haben, wie Sie Saisonalität und Aktionen angehen und welche realistische Genauigkeit bei solchen Daten zu erwarten ist.
— 3–4 Jahre Verkaufsstatistik nach SKU, Geschäften und Kanälen
— Explizite Berücksichtigung von Saisonalität, Feiertagen und Auswirkungen von Aktionen
— Genauigkeitsmetriken (MAPE, MAE, Bias) aufgeschlüsselt nach Kategorie
— Monatliches Retraining, das für unseren Analysten zugänglich ist
— Sauberer, dokumentierter Python-Code und eine klare Zusammenfassung für das Geschäft
Der Kern der Aufgabe ist ein Zeitreihenmodell, das die Nachfrage für die kommenden Wochen und Monate auf der Ebene einzelner Produkte und Produktgruppen prognostiziert. Es muss unbedingt die Saisonalität berücksichtigen (wir haben ausgeprägte jährliche und wöchentliche Zyklen), Feiertage und die Auswirkungen von Aktionen und Rabatten: Ein naives Modell, das Marketingkampagnen ignoriert, ist für uns nutzlos. Wir erwarten eine ehrliche Datenvorverarbeitung und -bereinigung, Feature Engineering, den Vergleich mehrerer Ansätze und eine klare Bewertung mit Genauigkeitsmetriken — MAPE, MAE und Bias — aufgeschlüsselt nach Kategorie, damit wir verstehen, wo die Prognose vertrauenswürdig ist und wo menschliche Kontrolle weiterhin erforderlich ist. Eine kurze Beschreibung der Ergebnisse in einfacher Geschäftssprache ist uns ebenso wichtig wie der Code selbst.
Ebenso wichtig ist, dass die Prognose tatsächlich jeden Monat ohne ständige Beteiligung eines Data Scientists verwendet werden kann. Wir benötigen eine einfache wiederholbare Möglichkeit, frische Verkaufszahlen hochzuladen und eine aktualisierte Prognose zu erhalten — ein Skript oder eine leichte Schnittstelle, die unser eigener Analyst ausführen kann, mit Export in einem Format, das in Excel geöffnet werden kann oder in unseren Planungsprozess einfließt. Der bevorzugte Stack ist Python. Bitte erzählen Sie uns von ähnlichen Prognoseprojekten, die Sie durchgeführt haben, wie Sie Saisonalität und Aktionen angehen und welche realistische Genauigkeit bei solchen Daten zu erwarten ist.
— 3–4 Jahre Verkaufsstatistik nach SKU, Geschäften und Kanälen
— Explizite Berücksichtigung von Saisonalität, Feiertagen und Auswirkungen von Aktionen
— Genauigkeitsmetriken (MAPE, MAE, Bias) aufgeschlüsselt nach Kategorie
— Monatliches Retraining, das für unseren Analysten zugänglich ist
— Sauberer, dokumentierter Python-Code und eine klare Zusammenfassung für das Geschäft
Softwareentwicklung Bargeld, Banküberweisung
