Опис проєкту
ПерекладМи торговельна компанія з власним складом, і досі планування закупівель і виробництва будувалося на інтуїції пари досвідчених менеджерів і кількох таблицях Excel. Такий підхід все частіше бит по кишені: то ми затовариваємося ненеходовим товаром і замороджуємо оборотні кошти на складі, то в самий пік замовлень не вистачає ходових позицій і ми втрачаємо виручку. Ми хочемо перейти від планування «на око» до рішень на даних і шукаємо спеціаліста, який побудує модель машинного навчання для прогнозування продажів і попиту на основі історії, яка у нас уже накопилася. Готові надати приблизно три-чотири роки щоденних і щотижневих продажів у розрізі SKU, магазину і каналу, а також календар минулих акцій, змін цін і періодів дефіциту.
Суть завдання — модель часових рядів, яка прогнозує попит на найближчі тижні і місяці на рівні окремих товарів і товарних груп. Вона обов'язково повинна враховувати сезонність (у нас виражені річні і тижневі цикли), свята, а також вплив акцій і знижок: наївна модель, яка ігнорує маркетингові кампанії, нам непридатна. Ми очікуємо чесну попередню обробку і очищення даних, інженерію ознак, порівняння кількох підходів і зрозумілу оцінку з метриками точності — MAPE, MAE і зміщення (bias), причому в розрізі категорій, щоб ми розуміли, де прогнозу можна довіряти, а де ще потрібен контроль людини. Короткий опис результатів простою діловою мовою для нас так же важливо, як і сам код.
Не менш важливо, щоб прогнозом можна було реально користуватися кожен місяць без постійної участі дата-сайентиста. Потрібен простий повторюваний спосіб завантажити свіжі цифри продажів і отримати оновлений прогноз — скрипт або легкий інтерфейс, який зможе запускати наш власний аналітик, з виглядом у форматі, який відкривається в Excel або подається в наш процес планування. Бажаний стек — Python. Розкажіть, будь ласка, про подібні проекти прогнозування, які ви робили, як ви підійдете до сезонності і акцій і якої реалістичної точності можна очікувати на таких даних.
— 3–4 роки історії продажів за SKU, магазинами і каналами
— Явна облік сезонності, свят і впливу акцій
— Метрики точності (MAPE, MAE, bias) в розрізі категорій
— Щомісячний перезапуск, доступний нашому аналітику
— Чистий документований код на Python і зрозумілий резюме для бізнесу
Суть завдання — модель часових рядів, яка прогнозує попит на найближчі тижні і місяці на рівні окремих товарів і товарних груп. Вона обов'язково повинна враховувати сезонність (у нас виражені річні і тижневі цикли), свята, а також вплив акцій і знижок: наївна модель, яка ігнорує маркетингові кампанії, нам непридатна. Ми очікуємо чесну попередню обробку і очищення даних, інженерію ознак, порівняння кількох підходів і зрозумілу оцінку з метриками точності — MAPE, MAE і зміщення (bias), причому в розрізі категорій, щоб ми розуміли, де прогнозу можна довіряти, а де ще потрібен контроль людини. Короткий опис результатів простою діловою мовою для нас так же важливо, як і сам код.
Не менш важливо, щоб прогнозом можна було реально користуватися кожен місяць без постійної участі дата-сайентиста. Потрібен простий повторюваний спосіб завантажити свіжі цифри продажів і отримати оновлений прогноз — скрипт або легкий інтерфейс, який зможе запускати наш власний аналітик, з виглядом у форматі, який відкривається в Excel або подається в наш процес планування. Бажаний стек — Python. Розкажіть, будь ласка, про подібні проекти прогнозування, які ви робили, як ви підійдете до сезонності і акцій і якої реалістичної точності можна очікувати на таких даних.
— 3–4 роки історії продажів за SKU, магазинами і каналами
— Явна облік сезонності, свят і впливу акцій
— Метрики точності (MAPE, MAE, bias) в розрізі категорій
— Щомісячний перезапуск, доступний нашому аналітику
— Чистий документований код на Python і зрозумілий резюме для бізнесу
Розробка програм Готівка, Банківський переказ
