Dette er et gæsteindlæg, der er medforfattet af Nafi Ahmet Turgut, Mehmet İkbal Özmen, Hasan Burak Yel, Fatma Nur Dumlupınar Keşir, Mutlu Polatcan og Emre Uzel fra Getir.
bragt er pioner inden for ultrahurtig dagligvarelevering. Teknologivirksomheden har revolutioneret last-mile-levering med sit tilbud om levering af dagligvarer på få minutter. Getir blev grundlagt i 2015 og opererer i Tyrkiet, Storbritannien, Holland, Tyskland og USA. I dag er Getir et konglomerat, der omfatter ni vertikaler under samme brand.
I dette indlæg beskriver vi end-to-end arbejdsstyrkestyringssystemet, der begynder med lokationsspecifik efterspørgselsprognose, efterfulgt af kurerarbejdsstyrkeplanlægning og vagttildeling vha. Amazon prognose , AWS-trinfunktioner.
Tidligere var operationelle teams involveret i manuel arbejdsstyrkestyringspraksis, hvilket resulterede i et betydeligt spild af tid og kræfter. Men med implementeringen af vores omfattende end-to-end workforce management-projekt, er de nu i stand til effektivt at generere de nødvendige kurerplaner for varehuse gennem en forenklet proces med et enkelt klik, der er tilgængelig via en webgrænseflade. Før påbegyndelsen af dette projekt var forretningsteams afhængige af mere intuitive metoder til efterspørgselsprognose, hvilket krævede forbedringer med hensyn til præcision.
Amazon prognose er en fuldt administreret tjeneste, der bruger maskinlæringsalgoritmer (ML) til at levere meget nøjagtige tidsserieprognoser. I dette indlæg beskriver vi, hvordan vi reducerede modelleringstiden med 70 % ved at lave funktionsudviklingen og modelleringen ved hjælp af Amazon Forecast. Vi opnåede en reduktion på 90 % i forløbet tid, når vi kørte planlægningsalgoritmer for alle varehuse vha. AWS-trinfunktioner, som er en fuldt administreret tjeneste, der gør det nemmere at koordinere komponenterne i distribuerede applikationer og mikrotjenester ved hjælp af visuelle arbejdsgange. Denne løsning førte også til en 90% forbedring af forudsigelsesnøjagtigheden på tværs af Tyrkiet og flere europæiske lande.
Løsningsoversigt
End-to-end Workforce Management Project (E2E Project) er et storstilet projekt, og det kan beskrives i tre emner:
1. Beregning af kurerbehov
Det første trin er at estimere efterspørgsel efter time for hvert lager, som forklaret i afsnittet om valg af algoritme. Disse forudsigelser, produceret med Amazon Forecast, hjælper med at bestemme, hvornår og hvor mange kurerer hvert lager har brug for.
Baseret på gennemløbsforholdet for kurererne på lagrene, beregnes antallet af kurerer, der kræves for hvert lager, i timeintervaller. Disse beregninger hjælper med at bestemme de mulige kurerantal i betragtning af lovlig arbejdstid, hvilket involverer matematisk modellering.
2. Løsning af vagttildelingsproblemet
Når vi har kurerbehovene og kender de andre begrænsninger for kurererne og lagrene, kan vi løse vagttildelingsproblemet. Problemet er modelleret med beslutningsvariable, der bestemmer de kurerer, der skal tildeles, og skaber vagtplaner, hvilket minimerer overskud og mangel, der kan forårsage mistede ordrer. Dette er typisk et MIP-problem (mixed-integer programming).
3. Brug af AWS-trinfunktioner
Vi bruger AWS Step Functions til at koordinere og administrere arbejdsgange med dens evne til at udføre job parallelt. Hvert lagers skifttildelingsproces er defineret som en separat arbejdsgang. AWS Step Functions starter og overvåger automatisk disse arbejdsgange ved at forenkle fejlhåndtering.
Da denne proces kræver omfattende data og komplekse beregninger, tilbyder tjenester som AWS Step Functions en betydelig fordel ved organisering og optimering af opgaver. Det giver mulighed for bedre kontrol og effektiv ressourcestyring.
I løsningsarkitekturen udnytter vi også andre AWS-tjenester ved at integrere dem i AWS Step Functions:
Følgende diagrammer viser AWS Step Functions arbejdsgange og arkitektur for skifteværktøjet:
Valg af algoritme
Forudsigelse af lokalitetsefterspørgsel udgør den indledende fase i E2E-projektet. Det overordnede mål for E2E er at bestemme antallet af kurerer, der skal allokeres til et specifikt lager, begyndende med en prognose for efterspørgslen efter det pågældende lager.
Denne prognosekomponent er central inden for E2E-rammen, da efterfølgende faser afhænger af disse prognoseresultater. Således kan enhver forudsigelsesunøjagtighed have en skadelig indvirkning på hele projektets effektivitet.
Målet med fasen med prognoser for lokalitetsefterspørgsel er at generere forudsigelser på landespecifik basis for hvert lager, der er segmenteret hver time i løbet af de kommende to uger. I første omgang formuleres daglige prognoser for hvert land gennem ML-modeller. Disse daglige forudsigelser er efterfølgende opdelt i timesegmenter, som vist i den følgende graf. Historiske transaktionsmæssige efterspørgselsdata, lokationsbaserede vejroplysninger, feriedatoer, kampagner og marketingkampagnedata er de funktioner, der bruges i modellen som vist i grafen nedenfor.
Holdet udforskede oprindeligt traditionelle prognoseteknikker såsom open source SARIMA (Sæsonbestemt automatisk regressivt integreret glidende gennemsnit), ARIMAX (Auto-regressivt integreret glidende gennemsnit ved brug af eksogene variabler) og eksponentiel udjævning.
ARIMA (Auto-Regressive Integrated Moving Average) er en tidsserieforudsigelsesmetode, der kombinerer autoregressive (AR) og glidende gennemsnit (MA) komponenter sammen med differentiering for at gøre tidsserien stationær.
SARIMA udvider ARIMA ved at inkorporere yderligere parametre for at tage højde for sæsonudsving i tidsserien. Den inkluderer sæsonbestemte auto-regressive og sæsonbestemte glidende gennemsnitsudtryk for at fange gentagne mønstre over specifikke intervaller, hvilket gør den velegnet til tidsserier med en sæsonbestemt komponent.
ARIMAX bygger på ARIMA ved at introducere eksogene variable, som er eksterne faktorer, der kan påvirke tidsrækken. Disse yderligere variabler overvejes i modellen for at forbedre prognosenøjagtigheden ved at tage højde for eksterne påvirkninger ud over de historiske værdier af tidsserien.
Eksponentiel udjævning er en anden tidsserieforudsigelsesmetode, der i modsætning til ARIMA er baseret på vægtede gennemsnit af tidligere observationer. Det er særligt effektivt til at fange trends og sæsonbestemte data. Metoden tildeler tidligere observationer eksponentielt faldende vægte, mens nyere observationer får højere vægt.
Amazon Forecast-modellerne blev til sidst udvalgt til det algoritmiske modelleringssegment. Det store udvalg af modeller og de sofistikerede egenskaber, der tilbydes af AWS Forecast, viste sig at være mere fordelagtige og optimerede vores ressourceudnyttelse.
Seks tilgængelige algoritmer i Forecast blev testet: Konvolutionelt neuralt netværk – kvantilregression (CNN-QR), DeepAR+, Profeten, Ikke-parametriske tidsserier (NPTS), Autoregressivt integreret glidende gennemsnit (ARIMA), og Eksponentiel udjævning (ETS). Efter analyse af prognoseresultaterne fastslog vi, at CNN-QR overgik de andre i effektivitet. CNN-QR er en proprietær ML-algoritme udviklet af Amazon til at forudsige skalære (en-dimensionelle) tidsserier ved hjælp af kausale Convolutional Neural Networks (CNN'er). I betragtning af tilgængeligheden af forskellige datakilder på dette tidspunkt, lettede anvendelsen af CNN-QR-algoritmen integrationen af forskellige funktioner, der fungerede inden for en overvåget læringsramme. Denne skelnen adskilte den fra univariate tidsserieprognosemodeller og markant forbedret ydeevne.
Brug af prognose viste sig at være effektiv på grund af enkelheden ved at levere de nødvendige data og specificere prognosens varighed. Efterfølgende anvender Forecast CNN-QR-algoritmen til at generere forudsigelser. Dette værktøj fremskyndede processen betydeligt for vores team, især inden for algoritmisk modellering. Desuden udnytter Amazon Simple Storage Service (Amazon S3) buckets til inputdatalager og Amazon Redshift til lagring af resultater har lettet centraliseret styring af hele proceduren.
Konklusion
I dette indlæg viste vi dig, hvordan Getirs E2E-projekt demonstrerede, hvordan en kombination af Amazon Forecast og AWS Step Functions-tjenester strømliner komplekse processer effektivt. Vi opnåede en imponerende prædiktionsnøjagtighed på omkring 90 % på tværs af lande i Europa og Tyrkiet, og ved at bruge Forecast reducerede vi modelleringstiden med 70 % på grund af dens effektive håndtering af feature engineering og modellering.
Brug af AWS Step Functions-tjenesten har ført til praktiske fordele, især at reducere planlægningstiden med 90 % for alle varehuse. Ved at overveje feltkrav forbedrede vi også overholdelsesprocenten med 3 %, hvilket hjalp med at allokere arbejdsstyrken mere effektivt. Dette fremhæver igen projektets succes med at optimere driften og leveringen af tjenester.
For at få adgang til yderligere detaljer om påbegyndelse af din rejse med Forecast, se venligst den tilgængelige Amazon Forecast-ressourcer. Derudover kan du for at få indsigt i at konstruere automatiserede arbejdsgange og lave maskinlæringspipelines udforske AWS-trinfunktioner for omfattende vejledning.
Om forfatterne
Nafi Ahmet Turgut afsluttede sin kandidatgrad i elektro- og elektronikteknik og arbejdede som kandidatforsker. Hans fokus var at bygge maskinlæringsalgoritmer til at simulere nervøse netværksanomalier. Han kom til Getir i 2019 og arbejder i øjeblikket som Senior Data Science & Analytics Manager. Hans team er ansvarligt for at designe, implementere og vedligeholde end-to-end maskinlæringsalgoritmer og datadrevne løsninger til Getir.
Mehmet İkbal Özmen modtog sin kandidatgrad i økonomi og arbejdede som kandidatforsker. Hans forskningsområde var hovedsageligt økonomiske tidsseriemodeller, Markov-simuleringer og recessionsprognoser. Han kom derefter til Getir i 2019 og arbejder i øjeblikket som Data Science & Analytics Manager. Hans team er ansvarligt for optimering og prognosealgoritmer til at løse de komplekse problemer, som drifts- og forsyningskædevirksomheder oplever.
Hasan Burak Yel modtog sin bachelorgrad i elektro- og elektronikteknik ved Boğaziçi Universitet. Han arbejdede hos Turkcell, hovedsageligt fokuseret på tidsserieprognoser, datavisualisering og netværksautomatisering. Han kom til Getir i 2021 og arbejder i øjeblikket som Data Science & Analytics Manager med ansvar for søge-, anbefalings- og vækstdomæner.
Fatma Nur Dumlupınar Keşir modtog sin bachelorgrad fra Industrial Engineering Department ved Boğaziçi University. Hun arbejdede som forsker hos TUBITAK med fokus på tidsserieprognose og visualisering. Hun kom derefter til Getir i 2022 som dataforsker og har arbejdet på Recommendation Engine-projekter, Mathematical Programming for Workforce Planning.
Emre Uzel modtog sin kandidatgrad i datavidenskab fra Koç University. Han arbejdede som datavidenskabskonsulent hos Eczacıbaşı Bilişim, hvor han hovedsageligt fokuserede på anbefalingsmotoralgoritmer. Han kom til Getir i 2022 som dataforsker og begyndte at arbejde med tidsserieprognoser og matematiske optimeringsprojekter.
Mutlu Polatcan er Staff Data Engineer hos Getir, med speciale i at designe og bygge cloud-native dataplatforme. Han elsker at kombinere open source-projekter med cloud-tjenester.
Esra Kayabalı er en Senior Solutions Architect hos AWS, med speciale i analysedomænet, herunder data warehousing, data lakes, big data analytics, batch- og realtidsdatastreaming og dataintegration. Hun har 12 års erfaring med softwareudvikling og arkitektur. Hun brænder for at lære og undervise i cloud-teknologier.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/
- :har
- :er
- :hvor
- 1
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 32
- 7
- 91
- a
- I stand
- Om
- adgang
- tilgængelig
- Konto
- Bogføring og administration
- nøjagtighed
- præcis
- opnået
- tværs
- Yderligere
- Derudover
- Fordel
- fordelagtige
- fordele
- algoritme
- algoritmisk
- algoritmer
- Alle
- tildele
- tillader
- sammen
- også
- Amazon
- Amazon prognose
- Amazon rødforskydning
- Amazon Web Services
- an
- analyse
- analytics
- ,
- abnormaliteter
- En anden
- enhver
- applikationer
- AR
- arkitektur
- ER
- OMRÅDE
- omkring
- Array
- AS
- tildelt
- hjælpe
- Assistant
- At
- Automatiseret
- automatisk
- Automation
- tilgængelighed
- til rådighed
- gennemsnit
- AWS
- AWS-trinfunktioner
- baseret
- grundlag
- BE
- før
- jf. nedenstående
- Bedre
- Beyond
- Big
- Big data
- brand
- Broken
- Bygning
- bygger
- virksomhed
- virksomheder
- by
- beregnet
- beregning
- beregninger
- Kampagne
- CAN
- kapaciteter
- kapacitet
- fange
- Optagelse
- Årsag
- centraliseret
- kæde
- Cloud
- cloud-tjenester
- kombinerer
- kombinerer
- begynder
- selskab
- komplekse
- Compliance
- komponent
- komponenter
- omfattende
- beregninger
- konglomerat
- betragtes
- Overvejer
- begrænsninger
- konstruere
- konsulent
- kontrol
- koordinere
- lande
- land
- landespecifikke
- Oprettelse af
- For øjeblikket
- dagligt
- data
- Dataanalyse
- datalogi
- dataforsker
- datavisualisering
- datastyret
- Datoer
- beslutning
- definerede
- Degree
- levere
- levering
- Efterspørgsel
- Forespørgsel om efterspørgsel
- demonstreret
- Afdeling
- beskrive
- beskrevet
- designe
- detaljer
- Bestem
- bestemmes
- bestemmelse
- udviklet
- Udvikling
- diagrammer
- skelnen
- distribueret
- forskelligartede
- gør
- domæne
- Domæner
- ned
- grund
- varighed
- hver
- lettere
- Økonomisk
- Økonomi
- Effektiv
- effektivt
- virkningsfuldhed
- effektiv
- effektivt
- indsats
- Elektronik
- anvendelse
- beskæftiger
- ende til ende
- beskæftiget
- Engine (Motor)
- ingeniør
- Engineering
- forbedret
- Hele
- fejl
- skøn
- Europa
- europæisk
- Europæiske lande
- til sidst
- Hver
- udføre
- erfaring
- erfarne
- forklarede
- udforske
- udforsket
- eksponentiel
- eksponentielt
- udvider
- omfattende
- ekstern
- lettes
- faktorer
- gennemførlig
- Feature
- Funktionalitet
- felt
- Fornavn
- Fokus
- fokuserede
- fokusering
- efterfulgt
- efter
- Til
- Forecast
- prognoser
- kommende
- Grundlagt
- Framework
- fra
- fuldt ud
- funktioner
- yderligere
- Endvidere
- generere
- Tyskland
- given
- mål
- eksamen
- graf
- Vækst
- Gæst
- gæst Indlæg
- vejledning
- Håndtering
- Have
- he
- hjælpe
- hjælpe
- hende
- højere
- højdepunkter
- stærkt
- hans
- historisk
- historisk
- Ferie
- HOURS
- Hvordan
- Men
- HTML
- http
- HTTPS
- KIMOs Succeshistorier
- implementering
- gennemføre
- imponerende
- Forbedre
- forbedret
- in
- omfatter
- Herunder
- inkorporering
- industrielle
- indflydelse
- oplysninger
- initial
- i første omgang
- indlede
- indgang
- indsigt
- integreret
- Integration
- integration
- grænseflade
- ind
- indføre
- intuitiv
- IT
- ITS
- Karriere
- sluttede
- rejse
- jpg
- tidspunkt
- Kend
- søer
- storstilet
- læring
- Led
- Politikker
- ligesom
- Placeringsbaseret
- elsker
- maskine
- machine learning
- hovedsageligt
- Vedligeholdelse
- lave
- maerker
- Making
- administrere
- lykkedes
- ledelse
- leder
- manuel
- mange
- Marketing
- herres
- matematiske
- Kan..
- metode
- metoder
- microservices
- minimering
- savnet
- ML
- model
- modellering
- modellering
- modeller
- Overvåg
- mere
- flytning
- glidende gennemsnit
- nødvendig
- behov
- Holland
- netværk
- net
- neurale
- neurale netværk
- neurale netværk
- ni
- især
- nu
- nummer
- objektiv
- of
- tilbyde
- tilbydes
- on
- open source
- opererer
- drift
- drift
- operationelle
- Produktion
- optimering
- optimeret
- optimering
- ordrer
- organisering
- Andet
- Andre
- vores
- udfald
- i løbet af
- overordnet
- Parallel
- parametre
- især
- lidenskabelige
- forbi
- mønstre
- ydeevne
- fase
- pioner
- afgørende
- planlægning
- planer
- Platforme
- plato
- Platon Data Intelligence
- PlatoData
- Vær venlig
- Indlæg
- Praktisk
- praksis
- Precision
- forudsigelse
- Forudsigelser
- Problem
- problemer
- procedure
- behandle
- Processer
- produceret
- Programmering
- projekt
- projekter
- Kampagner
- proposition
- proprietære
- bevist
- leverer
- priser
- forholdet
- realtid
- data i realtid
- modtaget
- modtagende
- nylige
- recession
- Anbefaling
- Reduceret
- reducere
- reduktion
- henvise
- stole
- påkrævet
- Krav
- Kræver
- krævet
- forskning
- forsker
- ressource
- ansvar
- ansvarlige
- Resultater
- revolutioneret
- kører
- samme
- planlægning
- Videnskab
- Videnskabsmand
- Søg
- sæsonbestemt
- Sektion
- segment
- segmenter
- valgt
- valg
- senior
- adskille
- Series
- tjeneste
- Tjenester
- flere
- hun
- skifte
- SKIFT
- mangel
- Vis
- viste
- vist
- signifikant
- betydeligt
- Simpelt
- enkelhed
- forenklet
- forenkle
- Software
- softwareudvikling
- løsninger
- Løsninger
- SOLVE
- Løsning
- sofistikeret
- Kilder
- speciale
- specifikke
- Personale
- påbegyndt
- Stater
- Trin
- opbevaring
- lagring
- streaming
- strømliner
- efterfølgende
- Efterfølgende
- succes
- sådan
- egnede
- forsyne
- forsyningskæde
- overgået
- overskud
- systemet
- Tag
- opgaver
- Undervisning
- hold
- hold
- teknikker
- Teknologier
- Teknologier
- vilkår
- afprøvet
- at
- Grafen
- Holland
- UK
- Them
- derefter
- Disse
- de
- denne
- tre
- Gennem
- kapacitet
- Dermed
- tid
- Tidsserier
- til
- i dag
- værktøj
- Emner
- traditionelle
- transaktionsbeslutning
- Tendenser
- Tyrkiet
- TUR
- to
- typisk
- Uk
- under
- Forenet
- Forenede Stater
- universitet
- I modsætning til
- på
- brug
- anvendte
- bruger
- ved brug af
- Ved hjælp af
- Værdier
- forskellige
- Vast
- vertikaler
- via
- visuel
- visualisering
- var
- Affald
- we
- Vejr
- web
- webservices
- uger
- var
- hvornår
- som
- med
- inden for
- arbejdede
- workflow
- arbejdsgange
- Workforce
- arbejder
- virker
- år
- Du
- Din
- zephyrnet