Prognozowanie popytu: model ML oparty na naszej historii sprzedaży

Jesteśmy firmą handlową z własnym magazynem, a jak dotąd planowanie zaopatrzenia i produkcji opierało się na intuicji kilku doświadczonych menedżerów oraz kilku arkuszach Excel. Takie podejście coraz bardziej nas kosztuje: albo gromadzimy wolno rotujące towary i zamrażamy kapitał obrotowy w magazynie, albo w szczytowych okresach zamówień brakuje nam popularnych produktów i tracimy przychody. Chcemy przejść od planowania "na oko" do rozwiązań opartych na danych i szukamy specjalisty, który zbuduje model uczenia maszynowego do prognozowania sprzedaży i popytu na podstawie historii, którą już zgromadziliśmy. Jesteśmy gotowi dostarczyć około trzech do czterech lat codziennych i tygodniowych danych sprzedaży w odniesieniu do SKU, sklepu i kanału, a także kalendarz przeszłych promocji, zmian cen i okresów niedoboru.

Istotą zadania jest model szeregów czasowych, który prognozuje popyt na nadchodzące tygodnie i miesiące na poziomie poszczególnych produktów i grup produktów. Musi on zdecydowanie uwzględniać sezonowość (mamy wyraźne roczne i tygodniowe cykle), święta oraz wpływ promocji i rabatów: naiwny model, który ignoruje kampanie marketingowe, jest dla nas bezużyteczny. Oczekujemy uczciwego przetwarzania i czyszczenia danych, inżynierii cech, porównania kilku podejść oraz jasnej oceny z metrykami dokładności — MAPE, MAE i bias — podzielonymi według kategorii, abyśmy zrozumieli, gdzie prognoza może być zaufana, a gdzie nadal potrzebna jest kontrola ludzka. Krótkie podsumowanie wyników w prostym języku biznesowym jest dla nas tak samo ważne jak sam kod.

Równie ważne jest, aby prognoza mogła być rzeczywiście używana co miesiąc bez stałego zaangażowania data scientist. Potrzebujemy prostego, powtarzalnego sposobu na przesyłanie świeżych danych sprzedażowych i uzyskiwanie zaktualizowanej prognozy — skryptu lub lekkiego interfejsu, który nasz własny analityk może uruchomić, z eksportem w formacie, który otwiera się w Excelu lub wprowadza do naszego procesu planowania. Preferowany stos to Python. Proszę opowiedzieć nam o podobnych projektach prognozowania, które realizowaliście, jak podchodzicie do sezonowości i promocji oraz jakie realistyczne dokładności można oczekiwać na takich danych.

— 3–4 lata historii sprzedaży według SKU, sklepów i kanałów
— Wyraźne uwzględnienie sezonowości, świąt i wpływu promocji
— Metryki dokładności (MAPE, MAE, bias) podzielone według kategorii
— Miesięczne ponowne trenowanie dostępne dla naszego analityka
— Czysty, udokumentowany kod Python i jasne podsumowanie dla biznesu