Descrizione del progetto
TradottoSiamo un'azienda di trading con il nostro magazzino e finora la pianificazione degli approvvigionamenti e della produzione è stata costruita sull'intuizione di un paio di manager esperti e diversi fogli di calcolo Excel. Questo approccio ci costa sempre di più: o accumuliamo beni a bassa rotazione e congeliamo il capitale circolante nel magazzino, oppure nei periodi di picco degli ordini ci mancano articoli popolari e perdiamo entrate. Vogliamo passare dalla pianificazione "a occhio" a soluzioni basate sui dati e stiamo cercando uno specialista per costruire un modello di machine learning per la previsione delle vendite e della domanda basato sulla storia che abbiamo già accumulato. Siamo pronti a fornire circa tre o quattro anni di vendite giornaliere e settimanali in termini di SKU, negozio e canale, così come un calendario delle promozioni passate, delle variazioni di prezzo e dei periodi di carenza.
L'essenza del compito è un modello di serie temporale che prevede la domanda per le prossime settimane e mesi a livello di singoli prodotti e gruppi di prodotti. Deve tenere conto della stagionalità (abbiamo cicli annuali e settimanali pronunciati), delle festività e dell'impatto delle promozioni e degli sconti: un modello naif che ignora le campagne di marketing è inutile per noi. Ci aspettiamo una pulizia e un preprocessing dei dati onesti, ingegneria delle caratteristiche, confronto di diversi approcci e una chiara valutazione con metriche di accuratezza — MAPE, MAE e bias — suddivise per categoria in modo da capire dove la previsione può essere fidata e dove è ancora necessario il controllo umano. Una breve descrizione dei risultati in un linguaggio commerciale semplice è per noi importante quanto il codice stesso.
È altrettanto importante che la previsione possa essere effettivamente utilizzata ogni mese senza il costante coinvolgimento di un data scientist. Abbiamo bisogno di un modo semplice e ripetibile per caricare i dati di vendita freschi e ottenere una previsione aggiornata — uno script o un'interfaccia leggera che il nostro stesso analista possa eseguire, con esportazione in un formato che si apre in Excel o si integra nel nostro processo di pianificazione. Lo stack preferito è Python. Ti preghiamo di parlarci di progetti di previsione simili che hai realizzato, di come affronti la stagionalità e le promozioni e di quale accuratezza realistica ci si può aspettare su tali dati.
— 3–4 anni di storia delle vendite per SKU, negozi e canali
— Contabilità esplicita per stagionalità, festività e impatto delle promozioni
— Metriche di accuratezza (MAPE, MAE, bias) suddivise per categoria
— Riaddestramento mensile accessibile al nostro analista
— Codice Python pulito e documentato e un chiaro riepilogo per il business
L'essenza del compito è un modello di serie temporale che prevede la domanda per le prossime settimane e mesi a livello di singoli prodotti e gruppi di prodotti. Deve tenere conto della stagionalità (abbiamo cicli annuali e settimanali pronunciati), delle festività e dell'impatto delle promozioni e degli sconti: un modello naif che ignora le campagne di marketing è inutile per noi. Ci aspettiamo una pulizia e un preprocessing dei dati onesti, ingegneria delle caratteristiche, confronto di diversi approcci e una chiara valutazione con metriche di accuratezza — MAPE, MAE e bias — suddivise per categoria in modo da capire dove la previsione può essere fidata e dove è ancora necessario il controllo umano. Una breve descrizione dei risultati in un linguaggio commerciale semplice è per noi importante quanto il codice stesso.
È altrettanto importante che la previsione possa essere effettivamente utilizzata ogni mese senza il costante coinvolgimento di un data scientist. Abbiamo bisogno di un modo semplice e ripetibile per caricare i dati di vendita freschi e ottenere una previsione aggiornata — uno script o un'interfaccia leggera che il nostro stesso analista possa eseguire, con esportazione in un formato che si apre in Excel o si integra nel nostro processo di pianificazione. Lo stack preferito è Python. Ti preghiamo di parlarci di progetti di previsione simili che hai realizzato, di come affronti la stagionalità e le promozioni e di quale accuratezza realistica ci si può aspettare su tali dati.
— 3–4 anni di storia delle vendite per SKU, negozi e canali
— Contabilità esplicita per stagionalità, festività e impatto delle promozioni
— Metriche di accuratezza (MAPE, MAE, bias) suddivise per categoria
— Riaddestramento mensile accessibile al nostro analista
— Codice Python pulito e documentato e un chiaro riepilogo per il business
Sviluppo software Contante, Bonifico bancario
