Αυτή η ανάρτηση είναι μια κοινή συνεργασία φιλοξενουμένων από τους Supratim Banerjee της More Retail Limited και Shivaprasad KT και Gaurav H Kankaria της Ganit Inc.
Η More Retail Ltd. (MRL) είναι ένας από τους τέσσερις κορυφαίους λιανοπωλητές παντοπωλείων της Ινδίας, με έσοδα της τάξης των αρκετών δισεκατομμυρίων δολαρίων. Διαθέτει δίκτυο καταστημάτων 22 υπεραγορών και 624 σούπερ μάρκετ σε ολόκληρη την Ινδία, υποστηριζόμενο από μια αλυσίδα εφοδιασμού 13 κέντρων διανομής, 7 κέντρων συλλογής φρούτων και λαχανικών και 6 κέντρων επεξεργασίας συρραπτικών.
Με ένα τόσο μεγάλο δίκτυο, είναι σημαντικό για το MRL να προσφέρει τη σωστή ποιότητα προϊόντος στη σωστή οικονομική αξία, ενώ ταυτόχρονα ικανοποιεί τη ζήτηση των πελατών και διατηρεί το λειτουργικό κόστος στο ελάχιστο. Η MRL συνεργάστηκε με την Ganit ως συνεργάτη ανάλυσης AI για να προβλέψει τη ζήτηση με μεγαλύτερη ακρίβεια και να δημιουργήσει ένα αυτοματοποιημένο σύστημα παραγγελιών για να ξεπεράσει τα εμπόδια και τις ελλείψεις της μη αυτόματης κρίσης από τους διαχειριστές καταστημάτων. Χρησιμοποιήθηκε MRL Πρόβλεψη του Αμαζονίου να αυξήσουν την ακρίβεια των προβλέψεων τους από 24% σε 76%, οδηγώντας σε μείωση της σπατάλης έως και 30% στην κατηγορία νωπών προϊόντων, βελτιώνοντας τα ποσοστά αποθεμάτων από 80% σε 90% και αυξάνοντας το μικτό κέρδος κατά 25%.
Επιτύχαμε αυτά τα επιχειρηματικά αποτελέσματα και δημιουργήσαμε ένα αυτοματοποιημένο σύστημα παραγγελιών για δύο βασικούς λόγους:
- Ικανότητα πειραματισμού - Η πρόβλεψη παρέχει μια ευέλικτη και αρθρωτή πλατφόρμα μέσω της οποίας πραγματοποιήσαμε περισσότερα από 200 πειράματα χρησιμοποιώντας διαφορετικούς παλινδρόμους και τύπους μοντέλων, τα οποία περιλάμβαναν τόσο τα παραδοσιακά όσο και τα μοντέλα ML. Η ομάδα ακολούθησε μια προσέγγιση Kaizen, μαθαίνοντας από προηγούμενα ανεπιτυχή μοντέλα και ανέπτυξε μοντέλα μόνο όταν ήταν επιτυχημένα. Ο πειραματισμός συνεχίστηκε στο πλάι ενώ αναπτύχθηκαν μοντέλα νίκης.
- Διαχείριση αλλαγών - Ζητήσαμε από τους κατόχους κατηγοριών που είχαν συνηθίσει να κάνουν παραγγελίες χρησιμοποιώντας επιχειρηματική κρίση για να εμπιστευτούν το σύστημα παραγγελιών που βασίζεται στο ML. Ένα συστηματικό σχέδιο υιοθέτησης εξασφάλισε ότι τα αποτελέσματα του εργαλείου αποθηκεύτηκαν και το εργαλείο λειτουργούσε με πειθαρχημένο ρυθμό, έτσι ώστε τα γεμάτα και τρέχοντα αποθέματα να εντοπιστούν και να καταγραφούν εγκαίρως.
Πολυπλοκότητα στην πρόβλεψη της κατηγορίας νωπών προϊόντων
Η πρόβλεψη της ζήτησης για την κατηγορία φρέσκων προϊόντων είναι δύσκολη, επειδή τα φρέσκα προϊόντα έχουν μικρή διάρκεια ζωής. Με την υπερβολική πρόβλεψη, τα καταστήματα καταλήγουν να πωλούν παλιότερα ή υπερβολικά ώριμα προϊόντα ή να πετάξουν το μεγαλύτερο μέρος του αποθέματός τους (που ονομάζεται συρρίκνωση). Εάν δεν προβλεφθεί, τα προϊόντα ενδέχεται να μην είναι διαθέσιμα, γεγονός που επηρεάζει την εμπειρία των πελατών. Οι πελάτες μπορούν να εγκαταλείψουν το καλάθι τους εάν δεν μπορούν να βρουν βασικά αντικείμενα στη λίστα αγορών τους, επειδή δεν θέλουν να περιμένουν στις γραμμές πληρωμής για λίγα μόνο προϊόντα. Για να προσθέσει σε αυτήν την πολυπλοκότητα, το MRL διαθέτει πολλά SKU σε περισσότερα από 600 σούπερ μάρκετ, οδηγώντας σε περισσότερους από 6,000 συνδυασμούς καταστημάτων-SKU.
Μέχρι το τέλος του 2019, το MRL χρησιμοποιούσε παραδοσιακές στατιστικές μεθόδους για να δημιουργήσει μοντέλα πρόβλεψης για κάθε συνδυασμό καταστήματος-SKU, το οποίο είχε ως αποτέλεσμα ακρίβεια τόσο χαμηλή όσο 40%. Οι προβλέψεις διατηρήθηκαν μέσω πολλαπλών μεμονωμένων μοντέλων, καθιστώντας το υπολογιστικά και λειτουργικά ακριβό.
Πρόβλεψη ζήτησης για παραγγελία τοποθέτησης
Στις αρχές του 2020, η MRL και η Ganit άρχισαν να συνεργάζονται για να βελτιώσουν περαιτέρω την ακρίβεια για την πρόβλεψη της φρέσκιας κατηγορίας, γνωστή ως Φρούτα και Λαχανικά (F&V), και να μειώσουν τη συρρίκνωση.
Ο Ganit συμβούλεψε την MRL να χωρίσει το πρόβλημά τους σε δύο μέρη:
- Πρόβλεψη ζήτησης για κάθε συνδυασμό καταστήματος-SKU
- Υπολογισμός ποσότητας παραγγελίας (εσοχές)
Εξετάζουμε περισσότερες λεπτομέρειες για κάθε πτυχή στις ακόλουθες ενότητες.
Πρόβλεψη ζήτησης
Σε αυτήν την ενότητα, συζητάμε τα βήματα της πρόβλεψης της ζήτησης για κάθε συνδυασμό καταστήματος-SKU.
Κατανοήστε τους οδηγούς της ζήτησης
Η ομάδα του Ganit ξεκίνησε το ταξίδι τους κατανοώντας πρώτα τους παράγοντες που οδήγησαν τη ζήτηση στα καταστήματα. Αυτό περιελάμβανε πολλαπλές επισκέψεις στο κατάστημα, συζητήσεις με διαχειριστές κατηγοριών και συναντήσεις με τον διευθύνοντα σύμβουλο του σούπερ μάρκετ σε συνδυασμό με την εμπειρία της Ganit για την πρόβλεψη εσωτερικού σε διάφορες άλλες πτυχές, όπως εποχικότητα, αποθέματα, κοινωνικοοικονομικοί και μακροοικονομικοί παράγοντες. .
Μετά τις επισκέψεις στο κατάστημα, περίπου 80 υποθέσεις για πολλούς παράγοντες διατυπώθηκαν για να μελετήσουν τον αντίκτυπό τους στη ζήτηση F&V. Η ομάδα πραγματοποίησε ολοκληρωμένες δοκιμές υποθέσεων χρησιμοποιώντας τεχνικές όπως συσχέτιση, ανάλυση διμεταβλητών και μονομεταβλητών, και δοκιμές στατιστικής σημασίας (δοκιμή t Student, δοκιμές Z) για να διαπιστώσει τη σχέση μεταξύ ζήτησης και σχετικών παραγόντων, όπως ημερομηνίες φεστιβάλ, καιρός, προσφορές και πολλά άλλα .
Τμηματοποίηση δεδομένων
Η ομάδα τόνισε την ανάπτυξη ενός κοκκώδους μοντέλου που θα μπορούσε να προβλέψει με ακρίβεια έναν συνδυασμό καταστήματος-SKU για κάθε μέρα. Ένας συνδυασμός της συμβολής πωλήσεων και της ευκολίας πρόβλεψης δημιουργήθηκε ως πλαίσιο ABC-XYZ, με το ABC να υποδεικνύει τη συνεισφορά πωλήσεων (το Α είναι το υψηλότερο) και το XYZ να υποδηλώνει την ευκολία πρόβλεψης (το Z είναι το χαμηλότερο). Για την κατασκευή μοντέλων, η πρώτη γραμμή εστίασης ήταν στους συνδυασμούς καταστημάτων-SKU που είχαν μεγάλη συμβολή στις πωλήσεις και ήταν οι πιο δύσκολο να προβλεφθούν. Αυτό έγινε για να διασφαλιστεί ότι η βελτίωση της ακρίβειας των προβλέψεων έχει το μέγιστο επιχειρηματικό αντίκτυπο.
Επεξεργασία δεδομένων
Τα δεδομένα συναλλαγών του MRL δομήθηκαν όπως συμβατικά δεδομένα σημείου πώλησης, με πεδία όπως αριθμός κινητού, αριθμός λογαριασμού, κωδικός είδους, κωδικός καταστήματος, ημερομηνία, ποσότητα λογαριασμού, πραγματική αξία και αξία έκπτωσης. Η ομάδα χρησιμοποίησε καθημερινά δεδομένα συναλλαγών τα τελευταία 2 χρόνια για την κατασκευή μοντέλων. Η ανάλυση ιστορικών δεδομένων βοήθησε στην ταυτότητα δύο προκλήσεων:
- Η παρουσία πολυάριθμων τιμών που λείπουν
- Ορισμένες ημέρες είχαν εξαιρετικά υψηλές ή χαμηλές πωλήσεις σε επίπεδα λογαριασμού, γεγονός που υποδεικνύει την παρουσία των ακραίων τιμών στα δεδομένα
Λείπει επεξεργασία τιμής
Μια βαθιά βουτιά στις τιμές που λείπουν εντοπίστηκαν λόγοι όπως δεν υπάρχει διαθέσιμο απόθεμα στο κατάστημα (χωρίς προμήθεια ή όχι σε σεζόν) και τα καταστήματα κλείνουν λόγω προγραμματισμένων διακοπών ή εξωτερικών περιορισμών (όπως περιφερειακό ή εθνικό κλείσιμο ή κατασκευαστικές εργασίες). Οι τιμές που λείπουν αντικαταστάθηκαν με 0 και προστέθηκαν κατάλληλοι παλινδρομικοί ή σημαίες στο μοντέλο, ώστε το μοντέλο να μπορεί να μάθει από αυτό για οποιαδήποτε τέτοια μελλοντικά συμβάντα.
Εξαιρετική θεραπεία
Η ομάδα αντιμετώπισε τα outliers στο πιο λεπτομερές επίπεδο λογαριασμού, το οποίο εξασφάλισε ότι λαμβάνονται υπόψη παράγοντες όπως η εκκαθάριση, η μαζική αγορά (B2B) και η κακή ποιότητα. Για παράδειγμα, η επεξεργασία σε επίπεδο λογαριασμού μπορεί να περιλαμβάνει την παρακολούθηση ενός KPI για κάθε συνδυασμό SKU καταστήματος σε επίπεδο ημέρας, όπως στο παρακάτω γράφημα.
Στη συνέχεια μπορούμε να επισημάνουμε ημερομηνίες κατά τις οποίες οι ασυνήθιστα υψηλές ποσότητες πωλούνται ως ακραίες τιμές, και να βυθίσουμε βαθύτερα σε αυτά τα αναγνωρισμένα ακραία σημεία. Περαιτέρω ανάλυση δείχνει ότι αυτοί οι ακροδέκτες είναι προ-προγραμματισμένες θεσμικές αγορές.
Αυτά τα outliers σε επίπεδο λογαριασμού περιορίζονται στη συνέχεια με τη μέγιστη ποσότητα πωλήσεων για αυτήν την ημερομηνία. Τα ακόλουθα γραφήματα δείχνουν τη διαφορά στη ζήτηση σε επίπεδο λογαριασμού.
Διαδικασία πρόβλεψης
Η ομάδα δοκίμασε πολλές τεχνικές πρόβλεψης όπως μοντέλα χρονοσειρών, μοντέλα παλινδρόμησης και μοντέλα βαθιάς μάθησης προτού επιλέξει την πρόβλεψη. Ο πρωταρχικός λόγος για την επιλογή Πρόβλεψης ήταν η διαφορά στην απόδοση κατά τη σύγκριση της ακρίβειας πρόβλεψης στον κάδο XY με τον κάδο Z, η οποία ήταν η πιο δύσκολη πρόβλεψη. Παρόλο που οι περισσότερες συμβατικές τεχνικές παρείχαν υψηλότερες ακρίβειες στον κάδο XY, μόνο οι αλγόριθμοι ML στην Πρόβλεψη παρείχαν αυξητική ακρίβεια 10% σε σύγκριση με άλλα μοντέλα. Αυτό οφειλόταν κυρίως στην ικανότητα της Πρόβλεψης να μάθει άλλα μοτίβα SKU (XY) και να εφαρμόσει αυτά τα μαθήματα σε εξαιρετικά ευμετάβλητα στοιχεία στον κάδο Z. Μέσω του AutoML, ο αλγόριθμος Forecast DeepAR + ήταν ο νικητής και επιλέχθηκε ως το μοντέλο πρόβλεψης.
Επανάληψη για περαιτέρω βελτίωση της ακρίβειας των προβλέψεων
Αφού η ομάδα αναγνώρισε το Deep AR + ως τον αλγόριθμο που κέρδισε, πραγματοποίησαν πολλά πειράματα με πρόσθετα χαρακτηριστικά για να βελτιώσουν περαιτέρω την ακρίβεια. Πραγματοποίησαν πολλές επαναλήψεις σε ένα μικρότερο σύνολο δειγμάτων με διαφορετικούς συνδυασμούς, όπως δεδομένα καθαρών χρονοσειρών στόχων (με και χωρίς εξωτερική επεξεργασία), παλινδρόμηση όπως φεστιβάλ ή κλείσιμο καταστημάτων και μεταδεδομένα καταστημάτων (ιεραρχία καταστημάτων-αντικειμένων) για να κατανοήσουν τον καλύτερο συνδυασμό για βελτίωση της ακρίβειας των προβλέψεων. Ο συνδυασμός των χρονικών σειρών στόχου που αντιμετωπίστηκαν με εξωγήινους, καθώς και των μεταδεδομένων καταστημάτων και των παλινδρόμων επέστρεψε την υψηλότερη ακρίβεια. Αυτό κλιμακώθηκε στο αρχικό σύνολο των 6,230 συνδυασμών καταστημάτων-SKU για να πάρει την τελική πρόβλεψη.
Υπολογισμός ποσότητας παραγγελίας
Αφού η ομάδα ανέπτυξε το μοντέλο πρόβλεψης, το αμέσως επόμενο βήμα ήταν να το χρησιμοποιήσετε για να αποφασίσετε πόσα αποθέματα θα αγοράσετε και να κάνετε παραγγελίες. Η παραγωγή παραγγελιών επηρεάζεται από την προβλεπόμενη ζήτηση, το τρέχον απόθεμα σε ετοιμότητα και άλλους σχετικούς παράγοντες στο κατάστημα.
Ο ακόλουθος τύπος χρησίμευσε ως βάση για το σχεδιασμό της παραγγελίας.
Η ομάδα εξέτασε επίσης άλλες παραμέτρους προσαρμογής εσοχής για το σύστημα αυτόματης παραγγελίας, όπως την ελάχιστη ποσότητα παραγγελίας, τον συντελεστή μονάδας εξυπηρέτησης, το ελάχιστο απόθεμα κλεισίματος, το ελάχιστο απόθεμα εμφάνισης (με βάση το ολόγραμμα) και τη ρύθμιση του ρυθμού πλήρωσης, γεφυρώνοντας έτσι το κενό μεταξύ μηχανήματος και ανθρώπου νοημοσύνη.
Υπόλοιπο σεναρίων χαμηλής πρόβλεψης και υπερβολικών προβλέψεων
Για να βελτιστοποιήσει το κόστος εξόδου της συρρίκνωσης με το κόστος των αποθεμάτων και των χαμένων πωλήσεων, η ομάδα χρησιμοποίησε τη δυνατότητα ποσοτικών στοιχείων της πρόβλεψης για να μετακινήσει την απόκριση πρόβλεψης από το μοντέλο.
Στο σχεδιασμό του μοντέλου, δημιουργήθηκαν τρεις προβλέψεις στα ποσοτικά p40, p50 και p60, με το p50 να είναι το βασικό κβαντικό. Η επιλογή των ποσοτήτων προγραμματίστηκε να βασίζεται σε αποθέματα και σπατάλη στα καταστήματα το πρόσφατο παρελθόν. Για παράδειγμα, τα υψηλότερα ποσοτικά επιλέχθηκαν αυτόματα εάν ένας συγκεκριμένος συνδυασμός καταστήματος-SKU αντιμετώπιζε συνεχή αποθέματα τις τελευταίες 3 ημέρες και τα χαμηλότερα ποσοτικά επιλέχθηκαν αυτόματα εάν το SKU καταστήματος είχε παρατηρήσει υψηλή σπατάλη. Το κβάντο της αύξησης και της μείωσης των ποσοτήτων βασίστηκε στο μέγεθος του αποθέματος ή της συρρίκνωσης εντός του καταστήματος.
Αυτόματη τοποθέτηση παραγγελιών μέσω της Oracle ERP
Το MRL ανέπτυξε συστήματα προβλέψεων και παραγγελιών εσοχής στην παραγωγή ενσωματώνοντάς τα στο σύστημα ERP της Oracle, το οποίο χρησιμοποιεί το MRL για τοποθετήσεις παραγγελιών. Το παρακάτω διάγραμμα απεικονίζει την τελική αρχιτεκτονική.
Για την ανάπτυξη του συστήματος παραγγελιών στην παραγωγή, όλα τα δεδομένα MRL μεταφέρθηκαν σε AWS. Η ομάδα δημιούργησε εργασίες ETL για να μεταφέρει ζωντανά τραπέζια Amazon RedShift (αποθήκη δεδομένων για εργασίες επιχειρηματικής ευφυΐας), έτσι το Amazon Redshift έγινε η μοναδική πηγή εισόδου για μελλοντική επεξεργασία δεδομένων.
Ολόκληρη η αρχιτεκτονική δεδομένων χωρίστηκε σε δύο μέρη:
- Μηχανή πρόβλεψης:
- Χρησιμοποιημένα ιστορικά δεδομένα ζήτησης (καθυστέρηση ζήτησης 1 ημέρας) που υπάρχουν στο Amazon Redshift
- Άλλες καταχωρήσεις παλινδρόμησης όπως η τελευταία τιμή του λογαριασμού, η τιμή και τα φεστιβάλ διατηρήθηκαν στο Amazon Redshift
- An Amazon Elastic Compute Cloud (Το Amazon EC2) δημιουργήθηκε με προσαρμοσμένα σενάρια Python για να αντιμετωπίσουν συναλλαγές, παλινδρόμηση και άλλα μεταδεδομένα
- Μετά την ανταλλαγή δεδομένων, τα δεδομένα μετακινήθηκαν σε ένα Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) κάδος για τη δημιουργία προβλέψεων (προβλέψεις T + 2 για όλους τους συνδυασμούς καταστημάτων-SKU)
- Η τελική έξοδος πρόβλεψης αποθηκεύτηκε σε ξεχωριστό φάκελο σε κάδο S3
- Κινητήρας παραγγελίας (εσοχή):
- Όλα τα δεδομένα που απαιτούνται για τη μετατροπή των προβλέψεων σε παραγγελίες (όπως αποθέματα σε ετοιμότητα, που ελήφθησαν για την αποθήκευση της ποσότητας, τις τελευταίες 2 ημέρες των παραγγελιών που ελήφθησαν για λήψη, συντελεστής μονάδας εξυπηρέτησης και ελάχιστο απόθεμα ανοίγματος και κλεισίματος βάσει προγράμματος) αποθηκεύτηκαν και διατηρήθηκαν στο Amazon Redshift
- Η ποσότητα παραγγελίας υπολογίστηκε μέσω σεναρίων Python που εκτελούνται σε παρουσίες EC2
- Οι παραγγελίες μεταφέρθηκαν στη συνέχεια στο σύστημα ERP της Oracle, το οποίο έθεσε μια παραγγελία σε πωλητές
Όλο το σύστημα παραγγελιών αποσυνδέθηκε σε πολλαπλά βασικά τμήματα. Η ομάδα δημιούργησε τις ειδοποιήσεις email του προγραμματιστή Apache Airflow για κάθε διαδικασία για να ειδοποιήσει τους αντίστοιχους ενδιαφερόμενους κατά την επιτυχή ολοκλήρωση ή αποτυχία, έτσι ώστε να μπορούν να λάβουν άμεσα μέτρα. Οι παραγγελίες που υποβλήθηκαν μέσω του συστήματος ERP μετακινήθηκαν στη συνέχεια στους πίνακες Amazon Redshift για τον υπολογισμό των παραγγελιών των επόμενων ημερών. Η ευκολία ενοποίησης μεταξύ συστημάτων AWS και ERP οδήγησε σε ένα ολοκληρωμένο αυτοματοποιημένο σύστημα παραγγελιών από άκρο σε άκρο με μηδενική ανθρώπινη παρέμβαση.
Συμπέρασμα
Μια προσέγγιση που βασίζεται σε ML ξεκλειδώνει την πραγματική ισχύ των δεδομένων για MRL. Με το Forecast, δημιουργήσαμε δύο εθνικά μοντέλα για διαφορετικές μορφές καταστήματος, σε αντίθεση με περισσότερα από 1,000 παραδοσιακά μοντέλα που χρησιμοποιούσαμε.
Η πρόβλεψη μαθαίνει επίσης σε όλες τις χρονοσειρές. Οι αλγόριθμοι ML στο Forecast επιτρέπουν τη διασταυρούμενη μάθηση μεταξύ συνδυασμών καταστημάτων-SKU, κάτι που συμβάλλει στη βελτίωση της ακρίβειας των προβλέψεων.
Επιπλέον, η Πρόβλεψη σάς επιτρέπει να προσθέσετε σχετικές χρονοσειρές και μεταδεδομένα στοιχείων, όπως πελάτες που στέλνουν σήματα ζήτησης βάσει του συνδυασμού αντικειμένων στο καλάθι τους. Η πρόβλεψη λαμβάνει υπόψη όλες τις πληροφορίες εισερχόμενης ζήτησης και φτάνει σε ένα μόνο μοντέλο. Σε αντίθεση με τα συμβατικά μοντέλα, όπου η προσθήκη μεταβλητών οδηγεί σε υπερβολική προσαρμογή, το Forecast εμπλουτίζει το μοντέλο, παρέχοντας ακριβείς προβλέψεις με βάση το επιχειρηματικό πλαίσιο. Η MRL απέκτησε τη δυνατότητα κατηγοριοποίησης προϊόντων με βάση παράγοντες όπως η διάρκεια ζωής, οι προσφορές, η τιμή, ο τύπος καταστημάτων, το εύπορο σύμπλεγμα, το ανταγωνιστικό κατάστημα και η απόδοση των καταστημάτων. Σας συνιστούμε να δοκιμάσετε το Amazon Forecast για να βελτιώσετε τις λειτουργίες της εφοδιαστικής σας αλυσίδας. Μπορείτε να μάθετε περισσότερα σχετικά με την Πρόβλεψη Amazon εδώ. Για να μάθετε περισσότερα για το Ganit και τις λύσεις μας, επικοινωνήστε στο info@ganitinc.com για να μάθετε περισσότερα.
Το περιεχόμενο και οι απόψεις σε αυτήν την ανάρτηση είναι αυτές του τρίτου συντάκτη και η AWS δεν φέρει καμία ευθύνη για το περιεχόμενο ή την ακρίβεια αυτής της ανάρτησης.
Σχετικά με τους Συγγραφείς
Supratim Banerjee είναι το Διευθυντής μετασχηματισμού at Περισσότερα λιανικής Περιωρισμένος. Είναι πεπειραμένος επαγγελματίας με αποδεδειγμένη ιστορία εργασίας στον κλάδο επιχειρηματικών κεφαλαίων και ιδιωτικών μετοχών. Ήταν σύμβουλος της KPMG και συνεργάστηκε με οργανισμούς όπως η AT Kearney και η Ινδία Equity Partners. Κατέχει MBA επικεντρωμένο στη Χρηματοοικονομική, Γενική από το Indian School of Business, Hyderabad.
Shivaprasad ΚΤ είναι το Συνιδρυτής & Διευθύνων Σύμβουλος at Ganit Inc. Έχει 17+ χρόνια εμπειρίας στην παροχή επιπτώσεων κορυφαίας και κατώτατης γραμμής χρησιμοποιώντας την επιστήμη δεδομένων στις ΗΠΑ, την Αυστραλία, την Ασία και την Ινδία. Έχει συμβουλεύσει CXO σε εταιρείες όπως οι Walmart, Sam's Club, Pfizer, Staples, Coles, Lenovo και Citibank. Είναι κάτοχος MBA από το SP Jain της Βομβάης και πτυχίο Μηχανικής από το NITK Surathkal.
Gaurav H Kankaria είναι το Ανώτερος Επιστήμονας Δεδομένων at Ganit Inc. Έχει πάνω από 6 χρόνια εμπειρίας στο σχεδιασμό και την εφαρμογή λύσεων για να βοηθήσει οργανισμούς σε τομείς λιανικής, CPG και BFSI να λαμβάνουν αποφάσεις βάσει δεδομένων. Είναι κάτοχος πτυχίου από το Πανεπιστήμιο VIT, Vellore.
