Müşteri keşfinden operasyonel kararlara.

İş problemi

Perakende ölçeğinde SKU-mağaza talebini tahmin etmek ve bu tahminleri rakip fiyatları, envanter ve ticari sinyalleri dikkate alan optimize edilmiş fiyat önerilerine dönüştürmek.

Veri ve ölçek

200’den fazla mağaza, 20.000’den fazla SKU, iki saatte bir toplanan rakip fiyatları ve feature pipeline boyunca işlenen 10 milyardan fazla model eğitim kaydı.

İki aşamalı yaklaşım

• SKU-mağaza geçmişleri üzerinde ölçeklenebilir ETL ve leakage kontrollü feature engineering.
• Zamansal, gecikmeli, rolling, kampanya, envanter ve rakip fiyat özellikleriyle talep tahmini.
• Tahmin kalitesi için baseline karşılaştırması, otomatik model tuning ve açıklanabilirlik.
• Tahmin çıktılarını ve ticari kısıtları dinamik fiyat önerilerine dönüştüren optimizasyon katmanı.

Ölçülen tahmin sonucu

Ayarlanmış tahmin modeli baseline’a göre RMSE’yi %21 azalttı. Güçlenen talep sinyali daha sonra fiyat optimizasyonu aşamasını besliyor; böylece model doğruluğu ile nihai fiyat kararının kalitesi ayrı değerlendiriliyor.

Üretim perspektifi

Sistem birbirine bağlı fakat bağımsız değerlendirilebilen iki aşamada tasarlandı: 200+ mağaza ve 20.000+ SKU için ölçeklenebilir talep tahmini, ardından dinamik fiyat optimizasyonu.

İş problemi

Sepet analizinin kaçırdığı sıralı satın alma davranışını yakalayıp bu örüntüleri cross-sell, keşif ve öneri kararlarına dönüştürmek.

Veri hattı

Hadoop/Spark ETL, SKU-taksonomi zenginleştirme, anonimleştirme, session ve sepet oluşturma; ardından Spark MLlib ve SPMF ile kontrollü çalıştırma.

Yaklaşım

• Aday üreten ve projection tabanlı algoritmaları karşılaştırmak.
• Ana kategori, alt kategori, marka ve ürün seviyelerini değerlendirmek.
• Süre, bellek, çıktı büyüklüğü, örüntü uzunluğu ve zamansal kararlılığı izlemek.
• Parametreleri ve denetlenebilir çıktıları versiyonlamak.

Ölçülen sonuç

Raporlanan testlerde PrefixSpan saniyeler içinde tamamlanırken GSP onlarca dakika sürdü. Granülerlik arttıkça PrefixSpan çok daha geniş örüntü kapsamı korudu.

Üretim perspektifi

Değer yalnızca daha hızlı madencilik değildi; eşik kalibrasyonu, kararlılık takibi, kaynak sınırları ve iş birimlerinin okuyabileceği çıktılar da pipeline’a dahil edildi.

İş problemi

Batch kapasitesi ve SKU seviyesinde stok uygunluğuna uyarak mekânsal dağınıklığı ve operasyonel eforu azaltacak sipariş grupları oluşturmak.

Model

Deterministik tahsis, stok kısıtları ve ortak yakınlık amaç fonksiyonuna sahip karma tamsayılı doğrusal olmayan model.

Deney tasarımı

• Ortak değerlendirici altında üç veri seti büyüklüğü.
• Her koşuda 600 amaç fonksiyonu değerlendirmesi.
• Büyük örnekte GA ve PSO için 10 bağımsız koşu.
• En iyi, ortalama, en kötü, standart sapma ve süre karşılaştırması.

Ölçülen sonuç

GA en güçlü en-iyi-durum çözümünü; Yerel Arama ise en düşük değişkenlik ve en yüksek tekrarlanabilirliği sağladı. PSO aynı bütçede uygulanabilir fakat daha zayıf kaldı.

Karar çıkarımı

En iyi çözüm kalitesinin öncelikli olduğu yerde GA; kararlı ve tekrarlanabilir performansın kritik olduğu yerde Yerel Arama tercih edilebilir.