Optimaalinen hinnoittelu suurimman voiton saamiseksi käyttämällä Amazon SageMakeria

Tämä on Adspertin koneoppimisinsinöörin Viktor Enrico Jeneyn vieraspostaus.

Adspert on Berliinissä toimiva ISV, joka on kehittänyt tarjousten hallintatyökalun, joka on suunniteltu optimoimaan automaattisesti tehokkuusmarkkinointi- ja mainoskampanjoita. Yrityksen ydinperiaatteena on automatisoida verkkokaupan mainonnan tuoton maksimointi tekoälyn avulla. Mainosalustojen jatkuva kehittäminen avaa tietä uusille mahdollisuuksille, joita Adspert hyödyntää asiantuntevasti asiakkaidensa menestyksen eteen.

Adspertin ensisijainen tavoite on yksinkertaistaa prosessia käyttäjille samalla kun se optimoi mainoskampanjoita eri alustoilla. Tämä sisältää eri alustoilta kerättyjen tietojen käytön tasapainossa kunkin alustan yläpuolella olevalle tasolle asetettua optimaalista budjettia vastaan. Adspertin tavoitteena on optimoida asiakkaan tavoitteen saavuttaminen riippumatta siitä, mitä alustaa käytetään. Adspert jatkaa alustojen lisäämistä tarpeen mukaan tarjotakseen asiakkaillemme merkittäviä etuja.

Tässä viestissä jaamme kuinka Adspert loi hinnoittelutyökalun tyhjästä käyttämällä erilaisia ​​AWS-palveluita, kuten Amazon Sage Maker ja kuinka Adspert teki yhteistyötä AWS-tietolaboratorio nopeuttaakseen tätä projektia suunnittelusta rakentamiseen ennätysajassa.

Hinnoittelutyökalu hinnoittelee uudelleen myyjän valitseman tuotteen verkkokauppapaikalla näkyvyyden ja voittomarginaalin perusteella tuotetason voittojen maksimoimiseksi.

Myyjänä on tärkeää, että tuotteesi ovat aina näkyvissä, koska se lisää myyntiä. Verkkokauppamyynnissä tärkein tekijä on yksinkertaisesti se, onko tarjouksesi näkyvissä asiakkaille kilpailijan tarjouksen sijaan.

Vaikka se riippuu varmasti tietystä verkkokauppa-alustasta, olemme havainneet, että tuotteen hinta on yksi tärkeimmistä näkyvyyteen vaikuttavista avainluvuista. Kuitenkin hinnat muuttuvat usein ja nopeasti; Tästä syystä hinnoittelutyökalun on toimittava lähes reaaliajassa näkyvyyden lisäämiseksi.

Katsaus ratkaisuun

Seuraava kaavio kuvaa ratkaisuarkkitehtuuria.

Liuos sisältää seuraavat komponentit:

1. Amazon Relational Database Service (Amazon RDS) PostgreSQL:lle on tärkein tietolähde, joka sisältää tuotetietoja, jotka on tallennettu RDS for Postgres -tietokantaan.
2. Tuotelistauksen muutoksista tiedot saapuvat reaaliajassa Amazonin yksinkertainen jonopalvelu (Amazon SQS) -jono.
3. Amazon RDS:ään tallennetut tuotetiedot syötetään lähes reaaliajassa raakakerrokseen käyttämällä CDC-mallia, joka on saatavilla AWS -tietokannan siirtopalvelu (AWS DMS).
4. Amazon SQS:ltä tulevat tuotelistausilmoitukset syötetään lähes reaaliajassa raakakerrokseen käyttämällä AWS Lambda toiminto.
5. Alkuperäiset lähdetiedot on tallennettu Amazonin yksinkertainen tallennuspalvelu (Amazon S3) raakakerroskauha käyttäen parkettitietomuotoa. Tämä kerros on datajärven ainoa totuuden lähde. Tässä tallennustilassa käytetty osiointi tukee tietojen inkrementaalista käsittelyä.
6. AWS-liima Pura, muunnos ja lataa (ETL) -työt puhdistavat tuotetiedot, poistavat kaksoiskappaleet ja käyttävät tietojen konsolidointia ja yleisiä muunnoksia, joita ei ole sidottu tiettyyn liiketoimintatapaukseen.
7. Amazon S3 -lavakerros vastaanottaa valmistetut tiedot, jotka tallennetaan Apache Parquet -muodossa jatkokäsittelyä varten. Vaihevarastoon käytetty osiointi tukee tietojen inkrementaalista käsittelyä.
8. Tässä tasossa luodut AWS-liimatyöt käyttävät Amazon S3 -vaihekerroksen tietoja. Tämä sisältää käyttötapauskohtaisten liiketoimintasääntöjen soveltamisen ja vaadittavat laskelmat. Näiden töiden tulostiedot tallennetaan Amazon S3 -analytiikkakerrokseen.
9. Amazon S3 -analytiikkakerrosta käytetään ML-mallien harjoitustarkoituksiin käyttämien tietojen tallentamiseen. Kuroidussa varastossa käytetty osiointi perustuu odotettuun tiedonkäyttöön. Tämä voi olla erilainen kuin lavakerroksen osiointi.
10. Uudelleenhinnoittelu ML-malli on Scikit-Learn Random Forest -toteutus SageMaker Script Mode -tilassa, joka on koulutettu käyttämällä S3-säihön (analytiikkakerroksen) tietoja.
11. AWS Glue -tietojenkäsittelytyö valmistelee tiedot reaaliaikaista päättelyä varten. Työ käsittelee S3-säilössä (vaihekerroksen) syötetyt tiedot ja kutsuu SageMaker-päätelmäpäätepisteen. Tiedot valmistetaan SageMaker-uudelleenhinnoittelumallin käyttöön. AWS Glue oli parempi kuin Lambda, koska päättely vaatii erilaisia ​​​​monimutkaisia ​​​​tietojenkäsittelytoimintoja, kuten liitoksia ja ikkunatoimintoja suurelle tietomäärälle (miljardeja päivittäisiä tapahtumia). Uudelleenhinnoittelumallin kutsujen tulos tallennetaan S3-ämpäriin (päätelmäkerrokseen).
12. SageMaker-koulutustyö otetaan käyttöön SageMaker-päätepisteen avulla. AWS Glue -päätelmäprosessori käyttää tätä päätepistettä luoden lähes reaaliaikaisia ​​hintasuosituksia tuotteen näkyvyyden lisäämiseksi.
13. SageMaker-päätelmäpäätepisteen luomat ennusteet tallennetaan Amazon S3 -päätelmäkerrokseen.
14. Lambda-ennusteiden optimointitoiminto käsittelee SageMaker-päätelmäpäätepisteen generoimat suositukset ja luo uuden hintasuosituksen, joka keskittyy maksimoimaan myyjän tuotto käyttämällä kompromissia myyntimäärän ja myyntikatteen välillä.
15. Lambda-ennusteen optimoijan luomat hintasuositukset lähetetään uudelleenhinnoittelurajapintaan, joka päivittää tuotteen hinnan markkinoilla.
16. Lambda-ennusteen optimoijan luomat päivitetyt hintasuositukset tallennetaan Amazon S3 -optimointikerrokseen.
17. AWS Glue -ennustuslataustyö lataa ML-mallin luomat ennusteet uudelleen Postgres SQL -tietokannan lähde-RDS:hen auditointi- ja raportointitarkoituksiin. Tämän komponentin toteuttamiseen käytettiin AWS Glue Studiota; se on graafinen käyttöliittymä, jonka avulla on helppo luoda, suorittaa ja valvoa ETL-töitä AWS Gluessa.

Tietojen valmistelu

Adspertin näkyvyysmallin tietojoukko luodaan SQS-jonosta ja syötetään datajärvemme raakakerrokseen reaaliajassa Lambdan avulla. Myöhemmin raakadata desinfioidaan suorittamalla yksinkertaisia ​​muunnoksia, kuten kaksoiskappaleiden poistamista. Tämä prosessi on toteutettu AWS Gluessa. Tulos tallennetaan datajärvemme lavastuskerrokseen. Ilmoitukset tarjoavat kilpailijoille tietyn tuotteen hinnat, toimituskanavat, toimitusajat ja monet muut muuttujat. Ne tarjoavat myös alustasta riippuvan näkyvyysmitan, joka voidaan ilmaista Boolen muuttujana (näkyvä tai ei-näkyvä). Saamme ilmoituksen aina, kun tarjouksen muutos tapahtuu, mikä lisää jopa useita miljoonia tapahtumia kuukaudessa asiakkaidemme tuotteisiin.

Poimimme tästä tietojoukosta koulutustiedot seuraavasti: jokaista ilmoitusta varten yhdistämme näkyvät tarjoukset jokaisen ei-näkyvän tarjouksen kanssa ja päinvastoin. Jokainen datapiste edustaa kahden myyjän välistä kilpailua, jossa on selvä voittaja ja häviäjä. Tämä käsittelytyö on toteutettu AWS-liimatyössä Sparkin kanssa. Valmisteltu harjoitustietojoukko työnnetään analytics S3 -ämpäriin SageMakerin käytettäväksi.

Harjoittele mallia

Mallimme luokittelee jokaiselle tarjousparille, jos jokin tarjous on näkyvissä. Tämän mallin avulla voimme laskea asiakkaillemme parhaan hinnan, lisätä kilpailuun perustuvaa näkyvyyttä ja maksimoida heidän tuottonsa. Lisäksi tämä luokittelumalli voi antaa meille syvempiä näkemyksiä siitä, miksi tietomme ovat näkyvissä tai eivät näkyvissä. Käytämme seuraavia ominaisuuksia:

• Hintamme suhde kilpailijoiden hintoihin
• Erot toteutuskanavissa
• Palautteen määrä jokaiselle myyjälle
• Jokaisen myyjän palautearvio
• Ero vähimmäistoimitusajoissa
• Ero enimmäistoimitusajoissa
• Jokaisen myyjän tuotteen saatavuus

Adspert käyttää SageMakeria mallin kouluttamiseen ja isännöimiseen. Käytämme Scikit-Learn Random Forest -toteutusta SageMaker Script Mode. Sisällytämme myös joitain ominaisuuksien esikäsittelyä suoraan Scikit-Learn-putkilinjaan koulutusskriptiin. Katso seuraava koodi:

import numpy as np

def transform_price(X):
    X = X.to_numpy()
    return np.log(
        X[:, 0] / np.nanmin([X[:, 1], X[:, 2]], axis=0),
    ).reshape(-1, 1)

def difference(X):
    X = X.to_numpy()
    return (X[:, 0] - X[:, 1]).reshape(-1, 1)

def fulfillment_difference(X):
    X = X.astype(int)
    return difference(X)

Yksi tärkeimmistä esikäsittelytoiminnoista on transform_price, joka jakaa hinnan kilpailijahinnan vähimmäishinnalla ja ulkoisella hintasarakkeella. Olemme havainneet, että tällä ominaisuudella on olennainen vaikutus mallin tarkkuuteen. Käytämme myös logaritmia, jotta malli päättää suhteellisista hintaeroista, ei absoluuttisista hintaeroista.

In training_script.py script, määrittelemme ensin, kuinka Scikit-Learn rakennetaan ColumnTransformer määrittääksesi määritetyt muuntajat tietokehyksen sarakkeisiin:

import argparse
import os
from io import StringIO

import joblib
import numpy as np
import pandas as pd
from custom_transformers import difference
from custom_transformers import fulfillment_difference
from custom_transformers import transform_price
from sklearn.compose import ColumnTransformer
from sklearn.ensemble import RandomForestClassifier
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import FunctionTransformer
from sklearn.preprocessing import OneHotEncoder

def make_preprocessor():
    return ColumnTransformer([
        ('price_by_smallest_cp', FunctionTransformer(transform_price),
         ['price', 'competitor_price', 'external_price']),
        (fulfillment_difference, FunctionTransformer(fulfillment_difference),
         ['fulfillment', 'competitor_'fulfillment']),
        ('feedback_count', 'passthrough',
         ['feedback_count', 'competitor_feedback_count']),
        ('feedback_rating', 'passthrough',
         ['feedback_rating', 'competitor_feedback_rating']),
        (
            'availability_type',
            OneHotEncoder(categories=[['NOW'], ['NOW']],
                          handle_unknown='ignore'),
            ['availability_type', 'competitor_availability_type'],
        ),
        ('min_shipping', FunctionTransformer(difference),
         ['minimum_shipping_hours', 'competitor_min_shipping_hours']),
        ('max_shipping', FunctionTransformer(difference),
         ['maximum_shipping_hours', 'competitor_max_shipping_hours']),
    ], remainder='drop')

Harjoitusskriptissä lataamme tiedot Parquetista Pandas-tietokehykseen, määrittelemme ColumnTranformer ja RandomForestClassifierja kouluttaa mallia. Sen jälkeen malli sarjoitetaan käyttäen joblib:

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--output-data-dir', type=str,
                        default=os.environ['SM_OUTPUT_DATA_DIR'])
    parser.add_argument('--model-dir', type=str,
                        default=os.environ['SM_MODEL_DIR'])
    parser.add_argument('--train', type=str,
                        default=os.environ['SM_CHANNEL_TRAIN'])

    args = parser.parse_args()

    # load training data
    input_files = [os.path.join(args.train, file)
                   for file in os.listdir(args.train)]
    if len(input_files) == 0:
        raise ValueError
    raw_data = [pd.read_parquet(file) for file in input_files]
    train_data = pd.concat(raw_data)

    # split data set into x and y values
    train_y = train_data.loc[:, 'is_visible']

    if train_y.dtype != 'bool':
        raise ValueError(f'Label 'is_visible' has to be dtype bool but is'
                         f' {train_y.dtype}')

    train_X = train_data.drop('is_visible', axis=1)

    # fit the classifier pipeline and store the fitted model
    clf = Pipeline([
        ('preprocessor', make_preprocessor()),
        ('classifier', RandomForestClassifier(random_state=1)),
    ])
    clf.fit(train_X, train_y)
    joblib.dump(clf, os.path.join(args.model_dir, 'model.joblib'))

Harjoitusskriptissä meidän on myös toteutettava funktioita päätelmien tekemiseksi:

• input_fn – Vastaa hyötykuorman pyyntörungon tietojen jäsentämisestä
• malli_fn – Lataa ja palauttaa mallin, joka on jätetty skriptin koulutusosioon
• ennustaa_fn – Sisältää toteutuksemme pyytääksemme mallilta ennusteen hyötykuorman tietojen perusteella
• ennusta_todennäköisyys – Ennakoitujen näkyvyyskäyrien piirtämiseksi palautetaan luokan todennäköisyys käyttämällä predict_proba funktio luokittelijan binääriennusteen sijaan

Katso seuraava koodi:

def input_fn(request_body, request_content_type):
    """Parse input data payload"""
    if request_content_type == 'text/csv':
        df = pd.read_csv(StringIO(request_body))
        return df
    else:
        raise ValueError(f'{request_content_type} not supported by script!')


def predict_fn(input_data, model):
    """Predict the visibilities"""
    classes = model.classes_

    if len(classes) != 2:
        raise ValueError('Model has more than 2 classes!')

    # get the index of the winning class
    class_index = np.where(model.classes_ == 1)[0][0]

    output = model.predict_proba(input_data)
    return output[:, class_index]


def model_fn(model_dir):
    """Deserialized and return fitted model

    Note that this should have the same name as the serialized model in the
    main method
    """
    clf = joblib.load(os.path.join(model_dir, 'model.joblib'))
    return clf

Seuraava kuva näyttää epäpuhtauspohjaisten ominaisuuksien tärkeysjärjestyksen, jonka palauttaa Satunnainen metsien luokittelija.

SageMakerin avulla pystyimme kouluttamaan mallin suurelle datamäärälle (jopa 14 miljardia päivittäistä tapahtumaa) kuormittamatta olemassa olevia instanssejamme tai joutumatta perustamaan erillistä konetta, jolla on riittävästi resursseja. Lisäksi, koska instanssit suljetaan välittömästi koulutustyön jälkeen, SageMakerilla harjoittelu oli erittäin kustannustehokasta. Mallin käyttöönotto SageMakerin kanssa toimi ilman ylimääräistä työtaakkaa. Yksi funktiokutsu Python SDK:ssa riittää isännöimään mallimme päätepäätepisteenä, ja sitä voidaan helposti pyytää myös muista palveluista SageMaker Python SDK:n avulla. Katso seuraava koodi:

from sagemaker.sklearn.estimator import SKLearn

FRAMEWORK_VERSION = "0.23-1"
script_path = 'training_script.py'
output_location = f's3://{bucket}/{folder}/output'
source_dir = 'source_dir'

sklearn = SKLearn(
    entry_point=script_path,
    source_dir=source_dir,
    framework_version=FRAMEWORK_VERSION,
    instance_type='ml.m5.large',
    role=role,
    sagemaker_session=sagemaker_session,
    output_path=output_location)

sklearn.fit({'train': training_path})

Mallin artefakti tallennetaan Amazon S3:een sovitustoiminnolla. Kuten seuraavasta koodista näkyy, malli voidaan ladata muodossa a SKLearnModel objekti käyttäen mallin artefaktia, komentosarjapolkua ja joitain muita parametreja. Myöhemmin se voidaan ottaa käyttöön haluttuun ilmentymätyyppiin ja esiintymien määrään.

model = sagemaker.sklearn.model.SKLearnModel(
    model_data=f'{output_location}/sagemaker-scikit-learn-2021-02-23-11-13-30-036/output/model.tar.gz',
    source_dir=source_dir,
    entry_point=script_path,
    framework_version=FRAMEWORK_VERSION,
    sagemaker_session=sagemaker_session,
    role=role
)
ENDPOINT_NAME = 'visibility-model-v1'
model.deploy(
    initial_instance_count=1,
    instance_type='ml.m5.large',
    endpoint_name=ENDPOINT_NAME
)

Arvioi malli reaaliajassa

Aina kun jostakin tuotteistamme lähetetään uusi ilmoitus, haluamme laskea ja lähettää optimaalisen hinnan. Optimaalisten hintojen laskemiseksi luomme ennustetietojoukon, jossa vertaamme omaa tarjoustamme kunkin kilpailijan tarjoukseen mahdollisten hintojen osalta. Nämä tietopisteet välitetään SageMaker-päätepisteeseen, joka palauttaa ennustetun todennäköisyyden olla näkyvissä kutakin kilpailijaa vastaan ​​kullakin hinnalla. Kutsumme näkyvyyden todennäköisyyttä ennustettu näkyvyys. Tulos voidaan visualisoida kullekin kilpailijalle käyränä, joka kuvaa hintamme ja näkyvyyden välistä suhdetta seuraavan kuvan mukaisesti.

Tässä esimerkissä näkyvyys Kilpailija 1:tä vastaan ​​on lähes paloittain vakiofunktio, mikä viittaa siihen, että meidän on pääosin laskettava hinta alle tietyn kynnyksen, suunnilleen kilpailijan hinnan, tullaksemme näkyväksi. Näkyvyys Kilpailija 2:ta vastaan ​​ei kuitenkaan heikkene yhtä jyrkästi. Kaiken lisäksi meillä on edelleen 50% mahdollisuus olla näkyvissä erittäin korkealla hinnalla. Syöttötietojen analysointi paljasti, että kilpailijalla on alhainen määrä arvioita, jotka sattuvat olemaan erittäin huonoja. Mallimme oppi, että tämä erityinen verkkokauppaalusta on epäedullinen myyjille, joilla on huonot palautearviot. Löysimme samanlaisia ​​vaikutuksia muille ominaisuuksille, kuten toimituskanavalle ja toimitusajoille.

Tarvittavat datamuunnokset ja päätelmät SageMaker-päätepistettä vastaan ​​on toteutettu AWS Gluessa. AWS-liimatyö toimii mikroerissä Lambdasta syötetyn reaaliaikaisen tiedon perusteella.

Lopuksi haluamme laskea kootun näkyvyyskäyrän, joka on kunkin mahdollisen hinnan ennustettu näkyvyys. Tarjouksemme näkyy, jos se on parempi kuin kaikkien muiden myyjien tarjoukset. Olettaen riippumattomuuden todennäköisyyksien välillä olla näkyvissä kutakin myyjää vastaan, kun otetaan huomioon hintamme, todennäköisyys olla näkyvissä kaikkia myyjiä vastaan ​​on vastaavien todennäköisyyksien tulos. Tämä tarkoittaa, että yhteenlaskettu näkyvyyskäyrä voidaan laskea kertomalla kaikki käyrät.

Seuraavat kuvat näyttävät ennustetut näkyvuudet, jotka palautettiin SageMaker-päätepisteestä.

Seuraavassa kuvassa näkyy yhteenlaskettu näkyvyyskäyrä.

Optimaalisen hinnan laskemiseksi näkyvyyskäyrä ensin tasoitetaan ja kerrotaan sitten marginaalilla. Marginaalin laskemiseen käytämme tavarakustannuksia ja palkkioita. Myytyjen tuotteiden hinta ja maksut ovat staattisia tuotetietoja, jotka on synkronoitu AWS DMS:n kautta. Adspert laskee voittofunktion perusteella optimaalisen hinnan ja lähettää sen verkkokauppaalustalle alustan API:n kautta.

Tämä on toteutettu AWS Lambda -ennusteen optimointityökalussa.

Seuraava kuva näyttää ennustetun näkyvyyden ja hinnan välisen suhteen.

Seuraava kuva näyttää hinnan ja voiton välisen suhteen.

Yhteenveto

Adspertin nykyinen lähestymistapa voiton maksimointiin keskittyy tarjousten hallintaan mainonnan tuoton lisäämiseksi. Saavuttaakseen erinomaisen suorituskyvyn verkkokauppamarkkinoilla myyjien on kuitenkin otettava huomioon sekä mainonta että kilpailukykyinen tuotteidensa hinnoittelu. Tällä uudella näkyvyyttä ennustavalla ML-mallilla voimme laajentaa toiminnallisuuttamme myös säätämään asiakkaiden hintoja.

Uuden hinnoittelutyökalun tulee kyetä ML-mallin automatisointiin suurelle datamäärälle sekä reaaliaikaisiin datamuunnoksiin, ennusteisiin ja hintojen optimointiin. Tässä viestissä kävimme läpi hinnanoptimointimoottorimme päävaiheet ja AWS-arkkitehtuurin, jonka toteutimme yhteistyössä AWS Data Labin kanssa näiden tavoitteiden saavuttamiseksi.

ML-mallien vieminen konseptista tuotantoon on tyypillisesti monimutkaista ja aikaa vievää. Sinun on hallittava suuria tietomääriä mallin kouluttamiseksi, valittava paras algoritmi sen harjoittamiseen, hallittava laskentakapasiteettia sitä harjoitettaessa ja sitten otettava malli käyttöön tuotantoympäristössä. SageMaker vähensi tätä monimutkaisuutta tekemällä ML-mallin rakentamisesta ja käyttöönotosta paljon yksinkertaisempaa. Kun valitsimme oikeat algoritmit ja kehykset laajasta valikoimasta, SageMaker hallitsi kaiken taustalla olevan infrastruktuurin kouluttaakseen mallimme ja ottaakseen sen käyttöön tuotantoon.

Jos haluat tutustua SageMakeriin, Upotuspäivän työpaja voi auttaa sinua saamaan kattavan ymmärryksen ML-käyttötapausten rakentamisesta ominaisuussuunnittelusta, erilaisista sisäänrakennetuista algoritmeista ja kuinka kouluttaa, virittää ja ottaa käyttöön ML-mallia tuotannon kaltaisessa skenaariossa. Se opastaa sinua tuomaan oman mallisi ja suorittamaan paikan päällä tapahtuvan ML-työkuorman noston ja siirron SageMaker-alustalle. Se esittelee edelleen edistyneitä konsepteja, kuten mallin virheenkorjausta, mallin valvontaa ja AutoML:ää, ja auttaa sinua arvioimaan ML-työkuormaa AWS ML Well-Architected -objektiivin avulla.

Jos haluat apua datan, analytiikan, tekoälyn ja ML:n, palvelimettomuuden ja kontin modernisoinnin sisältävien käyttötapausten käyttöönoton nopeuttamiseen, ota yhteyttä AWS-tietolaboratorio.

Tietoja kirjoittajista

Viktor Enrico Jeney on vanhempi koneoppimisinsinööri Adspertissa Berliinissä, Saksassa. Hän luo ratkaisuja ennakointi- ja optimointiongelmiin asiakkaiden tuoton kasvattamiseksi. Viktorilla on sovelletun matematiikan tausta ja hän rakastaa tiedon parissa työskentelemistä. Vapaa-ajallaan hän opiskelee unkarin kieltä, harjoittelee kamppailulajeja ja soittaa kitaraa.

Ennio Pastore on data-arkkitehti AWS Data Lab -tiimissä. Hän on innostunut kaikesta, mikä liittyy uusiin teknologioihin, joilla on positiivinen vaikutus yrityksiin ja yleiseen toimeentuloon. Enniolla on yli 9 vuoden kokemus data-analytiikasta. Hän auttaa yrityksiä määrittämään ja toteuttamaan tietoalustoja eri aloilla, kuten telekommunikaatio-, pankki-, peli-, vähittäis- ja vakuutusalalla.