Descrição do projeto
TraduzidoSomos uma empresa de comércio com nosso próprio armazém e, até agora, o planejamento de compras e produção foi construído com base na intuição de alguns gerentes experientes e várias planilhas do Excel. Essa abordagem nos custa cada vez mais dinheiro: ou estocamos produtos de baixa rotatividade e congelamos capital de giro no armazém, ou em períodos de pico de pedidos nos faltam itens populares e perdemos receita. Queremos passar do planejamento "a olho" para soluções baseadas em dados e estamos procurando um especialista para construir um modelo de aprendizado de máquina para previsão de vendas e demanda com base no histórico que já acumulamos. Estamos prontos para fornecer aproximadamente três a quatro anos de vendas diárias e semanais em termos de SKU, loja e canal, bem como um calendário de promoções passadas, mudanças de preço e períodos de escassez.
A essência da tarefa é um modelo de séries temporais que prevê a demanda para as próximas semanas e meses no nível de produtos individuais e grupos de produtos. Ele deve definitivamente levar em conta a sazonalidade (temos ciclos anuais e semanais pronunciados), feriados e o impacto de promoções e descontos: um modelo ingênuo que ignora campanhas de marketing é inútil para nós. Esperamos um pré-processamento e limpeza de dados honestos, engenharia de características, comparação de várias abordagens e avaliação clara com métricas de precisão — MAPE, MAE e viés — detalhadas por categoria para que possamos entender onde a previsão pode ser confiável e onde o controle humano ainda é necessário. Uma breve descrição dos resultados em uma linguagem de negócios simples é tão importante para nós quanto o próprio código.
Igualmente importante é que a previsão possa realmente ser usada todo mês sem a constante participação de um cientista de dados. Precisamos de uma maneira simples e repetível de carregar números de vendas atualizados e obter uma previsão atualizada — um script ou interface leve que nosso próprio analista possa executar, com exportação em um formato que abra no Excel ou se integre ao nosso processo de planejamento. A pilha preferida é Python. Por favor, nos conte sobre projetos de previsão semelhantes que você já fez, como você aborda sazonalidade e promoções, e qual precisão realista pode ser esperada com esses dados.
— 3–4 anos de histórico de vendas por SKU, lojas e canais
— Contabilização explícita da sazonalidade, feriados e impacto de promoções
— Métricas de precisão (MAPE, MAE, viés) detalhadas por categoria
— Re-treinamento mensal acessível ao nosso analista
— Código Python limpo e documentado e um resumo claro para negócios
A essência da tarefa é um modelo de séries temporais que prevê a demanda para as próximas semanas e meses no nível de produtos individuais e grupos de produtos. Ele deve definitivamente levar em conta a sazonalidade (temos ciclos anuais e semanais pronunciados), feriados e o impacto de promoções e descontos: um modelo ingênuo que ignora campanhas de marketing é inútil para nós. Esperamos um pré-processamento e limpeza de dados honestos, engenharia de características, comparação de várias abordagens e avaliação clara com métricas de precisão — MAPE, MAE e viés — detalhadas por categoria para que possamos entender onde a previsão pode ser confiável e onde o controle humano ainda é necessário. Uma breve descrição dos resultados em uma linguagem de negócios simples é tão importante para nós quanto o próprio código.
Igualmente importante é que a previsão possa realmente ser usada todo mês sem a constante participação de um cientista de dados. Precisamos de uma maneira simples e repetível de carregar números de vendas atualizados e obter uma previsão atualizada — um script ou interface leve que nosso próprio analista possa executar, com exportação em um formato que abra no Excel ou se integre ao nosso processo de planejamento. A pilha preferida é Python. Por favor, nos conte sobre projetos de previsão semelhantes que você já fez, como você aborda sazonalidade e promoções, e qual precisão realista pode ser esperada com esses dados.
— 3–4 anos de histórico de vendas por SKU, lojas e canais
— Contabilização explícita da sazonalidade, feriados e impacto de promoções
— Métricas de precisão (MAPE, MAE, viés) detalhadas por categoria
— Re-treinamento mensal acessível ao nosso analista
— Código Python limpo e documentado e um resumo claro para negócios
Desenvolvimento de software Dinheiro, Transferência bancária
