Iteracyjne podejście do rozwiązań ML wspierających omnichannel
Dobra prognoza popytu pozwala na poprawne zaplanowanie liczby sztuk, które należy wysłać do salonu, aby z jak największym prawdopodobieństwem zaspokoić przyszłe zapotrzebowanie, a jednocześnie nie spowodować przetowarowania. Stworzyliśmy szyty na miarę system wykorzystujący ML do optymalnego prognozowania popytu na produkty. Automatyczny system alokacji jest tak zaprogramowany, aby minimalizować konsekwencje braku lub nadmiaru towaru. Opowiem m.in. jak zamknięcie gospodarki wpłynęło na rozwój strategii omnichannel w branży Fashion i jakie miało to odzwierciedlenie w algorytmach predykcyjnych. Pokażę w jaki sposób iteracyjne podejście do rozwiązań ML pozwala dopasować się do zmieniających się potrzeb klientów.
Katarzyna Ida Chmielecka
Entuzjasta danych z doświadczeniem w obszarach takich jak Data Engineering, Data Warehousing czy Data Science. Pracuje jako Data Architect w Silky Coders, gdzie odpowiada za zespół Data Engineer’ów i Data Scientist’ów. Specjalizuje się w projektowaniu oraz budowaniu systemów wykorzystujących algorytmy uczenia maszynowego do wspierania strategicznych decyzji biznesowych.