delivery-optimization

Project created for the subject of machine learning engineering.

Project Organization

├── README.md          <- The top-level README for developers using this project.
├── data
│
├── models             <- Trained and serialized models, model predictions, or model summaries
│
├── notebooks          <- Jupyter notebooks.
│
├── reports            <- Generated analysis as HTML, PDF, LaTeX, etc.
│
├── reports           <- microservice
|
├── poetry.lock        <- Lockfile which allows complete environment reproduction
│
└── pyproject.toml     <- file with settings and dependencies for the environment

---

Setting up the environment

1. Install poetry: https://python-poetry.org/docs/#installation
2. Create an environment with poetry install
3. Run poetry shell
4. To add a new package run poetry add <package>. Don't forget to commit the lockfile.
5. To run unit tests for your service use poetry run pytest or simply pytest within poetry shell.

Project partially based on the cookiecutter data science project template. #cookiecutterdatascience

Timeline:

• 3.12 - etap 1

Definicja problemu biznesowego, zdefiniowane zadania/zadań modelowania i wszystkich założeń, zaproponowanie kryteriów sukcesu. Analiza danych z perspektywy realizacji tych zadań (trzeba ocenić, czy dostarczone dane są wystarczające - może czegoś brakuje, może coś trzeba poprawić, domagać się innych danych

• 14.01 - etap 2

Dwa modele: model bazowy (najprostszy możliwy dla danego zadania) i bardziej zaawansowany model docelowy, oraz raport pokazujący proces budowy modelu i porównujący wyniki Implementacja aplikacji (w formie mikroserwisu) która pozwala na serwowanie predykcji przy pomocy danego modelu i realizacje eksperymentu A/B - w ramach którego porównywane będą oba modele i zbierane dane niezbędne do późniejszej oceny ich jakości oraz materiały pokazujące, że implementacja działa

Zadanie

Problem zgłoszony przez klienta: „Mamy problemy z odpowiednim zapełnianiem półek magazynowych. Nigdy nie wiadomo, co tak naprawdę będzie potrzebne w najbliższym tygodniu, co powinniśmy zamówić. Może da się coś z tym zrobić?”

Definicja problemu biznesowego

Analiza kontekstu:

• obecna sytuacja:
  • nie wiadomo jak zapełniać półki magazynowa; sklep nie potrafi przewidzień co będzie potrzebne w najbliższym tygodniu
• co ma zostać wprowadzone?
  • analiza danych oraz przewidywanie co będzie potrzebne w najbliższym tygodniu
• jakie są oczekiwania, ograniczenia, zasoby?
  • oczekiwania: zapełnianie półek magazynowych dobrymi produktami;
  • ograniczenia: ilość miejsca w magazynie;
  • zasoby: towar dostarczony od dostawców.

Kontekst: sklep internetowy, z którego użytkownicy zamawiają produkty. Długość dostawy zależy, czy produkt znajduje się w magazynie.

Zadanie biznesowe: generowanie listy produktów na kolejny tydzień Biznesowe kryterium sukcesu: wzrost sprzedaży

Zdefiniowanie zadania/zadań modelowania i wszystkich założeń

Zadanie modelowania: Przygotowanie modelu rekomendacyjnego na podstawie ilości zamówień w poprzednim roku oraz tendencji klientów.

Dane do modelowania:

• zamówienia z ostatniego tygodnia (cena, kategorie produktów)
• stosunek ilości zamówień w danych okresach roku (np. miesięcznie, kwartalnie)
• aktywność użytkowników oraz produkty, które wyświetlają.

Zmianna celu: ilość sprzedanych sztuk produktu w przewidywanym tygodniu.

Przewidywanie produktów, które w danym tygodniu powinny znajdować się na półkach magazynowych.

Założenia:

• liczba miejsc w magazynie jest ograniczona - ustalamy ją jako stałą.
• produkty, które zamawiamy trafiają do nas od razu - nie musimy brać pod uwagę czasu potrzebnego na ich dotarcie do naszego magazynu
• produkty, które zamawiamy od dostawców są zawsze dostępne.

Zaproponowanie kryteriów sukcesu

System powinien przewidywać minimum x% produktów (np. ilość produktów przewidzianych/wszystkich produktów >= x/średnia dzienna ilość zamówień)

x - wartość uzgodniona z klientem wynosząca 5%

Analiza danych

Umiejscowiona w jupyter notebooku data_analysis.ipynb