Il s'agit d'un article invité co-écrit par Nafi Ahmet Turgut, Mehmet İkbal Özmen, Hasan Burak Yel, Fatma Nur Dumlupınar Keşir, Mutlu Polatcan et Emre Uzel de Getir.
apporté est le pionnier de la livraison ultrarapide de courses. L'entreprise technologique a révolutionné la livraison du dernier kilomètre avec sa proposition de livraison d'épicerie en quelques minutes. Getir a été fondée en 2015 et opère en Turquie, au Royaume-Uni, aux Pays-Bas, en Allemagne et aux États-Unis. Aujourd'hui, Getir est un conglomérat regroupant neuf secteurs verticaux sous la même marque.
Dans cet article, nous décrivons le système de gestion des effectifs de bout en bout qui commence par la prévision de la demande spécifique à un emplacement, suivi de la planification des effectifs de messagerie et de l'affectation des équipes à l'aide de Prévisions Amazon et les Fonctions d'étape AWS.
Dans le passé, les équipes opérationnelles se livraient à des pratiques manuelles de gestion des effectifs, ce qui entraînait une perte de temps et d'efforts importante. Cependant, avec la mise en œuvre de notre projet complet de gestion des effectifs de bout en bout, ils sont désormais en mesure de générer efficacement les plans de messagerie nécessaires pour les entrepôts grâce à un processus simplifié en un clic accessible via une interface Web. Avant le lancement de ce projet, les équipes métiers s'appuyaient sur des méthodes de prévision de la demande plus intuitives, ce qui nécessitait d'améliorer leur précision.
Prévisions Amazon est un service entièrement géré qui utilise des algorithmes d'apprentissage automatique (ML) pour fournir des prévisions de séries chronologiques très précises. Dans cet article, nous décrivons comment nous avons réduit le temps de modélisation de 70 % en effectuant l'ingénierie et la modélisation des fonctionnalités à l'aide d'Amazon Forecast. Nous avons obtenu une réduction de 90 % du temps écoulé lors de l'exécution d'algorithmes de planification pour tous les entrepôts utilisant Fonctions d'étape AWS, qui est un service entièrement géré qui facilite la coordination des composants des applications distribuées et des microservices à l'aide de flux de travail visuels. Cette solution a également conduit à une amélioration de 90 % de la précision des prévisions en Turquie et dans plusieurs pays européens.
Vue d'ensemble de la solution
Le projet de gestion de la main-d'œuvre de bout en bout (projet E2E) est un projet à grande échelle et il peut être décrit en trois thèmes :
1. Calcul des besoins en matière de messagerie
La première étape consiste à estimer la demande horaire pour chaque entrepôt, comme expliqué dans la section Sélection de l'algorithme. Ces prévisions, produites avec Amazon Forecast, aident à déterminer quand et combien de coursiers chaque entrepôt a besoin.
Sur la base du taux de débit des coursiers dans les entrepôts, le nombre de coursiers requis pour chaque entrepôt est calculé par intervalles horaires. Ces calculs aident à déterminer le nombre de courriers réalisable en tenant compte des heures de travail légales, ce qui implique une modélisation mathématique.
2. Résoudre le problème d'affectation des équipes
Une fois que nous connaissons les besoins des transporteurs et connaissons les autres contraintes des coursiers et des entrepôts, nous pouvons résoudre le problème d’affectation des équipes. Le problème est modélisé avec des variables de décision déterminant les coursiers à affecter et créant des horaires de travail, minimisant les excédents et les pénuries pouvant entraîner des commandes manquées. Il s’agit généralement d’un problème de programmation en nombres entiers mixtes (MIP).
3. Utilisation des fonctions d'étape AWS
Nous utilisons AWS Step Functions pour coordonner et gérer les flux de travail grâce à sa capacité à exécuter des tâches en parallèle. Le processus d'affectation des équipes de chaque entrepôt est défini comme un flux de travail distinct. AWS Step Functions lance et surveille automatiquement ces flux de travail en simplifiant la gestion des erreurs.
Étant donné que ce processus nécessite des données volumineuses et des calculs complexes, des services comme AWS Step Functions offrent un avantage significatif dans l'organisation et l'optimisation des tâches. Il permet un meilleur contrôle et une gestion efficace des ressources.
Dans l'architecture de la solution, nous profitons également d'autres services AWS en les intégrant dans AWS Step Functions :
Les diagrammes suivants montrent les flux de travail AWS Step Functions et l'architecture de l'outil de transfert :
Sélection d'algorithme
La prévision de la demande localisée constitue la phase initiale du projet E2E. L'objectif primordial d'E2E est de déterminer le nombre de coursiers à allouer à un entrepôt spécifique, en commençant par une prévision de la demande pour cet entrepôt.
Cette composante de prévision est essentielle dans le cadre E2E, car les phases ultérieures reposent sur ces résultats de prévision. Ainsi, toute inexactitude des prévisions peut avoir un impact négatif sur l’efficacité de l’ensemble du projet.
L'objectif de la phase de prévision de la demande localisée est de générer des prévisions spécifiques à chaque pays pour chaque entrepôt segmenté toutes les heures au cours des deux semaines à venir. Dans un premier temps, les prévisions quotidiennes pour chaque pays sont formulées à l'aide de modèles ML. Ces prévisions quotidiennes sont ensuite décomposées en segments horaires, comme le montre le graphique suivant. Les données historiques sur la demande transactionnelle, les informations météorologiques basées sur la localisation, les dates de vacances, les promotions et les données de campagne marketing sont les fonctionnalités utilisées dans le modèle, comme le montre le graphique ci-dessous.
L'équipe a d'abord exploré les techniques de prévision traditionnelles telles que l'open source SARIMA (Moyenne mobile intégrée auto-régressive saisonnière), ARIMAX (Moyenne mobile intégrée auto-régressive utilisant des variables exogènes) et lissage exponentiel.
ARIMA (Auto-Regressive Integrated Moving Average) est une méthode de prévision de séries chronologiques qui combine des composantes autorégressives (AR) et de moyenne mobile (MA) ainsi que des différenciations pour rendre la série chronologique stationnaire.
SARIMA étend ARIMA en incorporant des paramètres supplémentaires pour tenir compte de la saisonnalité dans la série chronologique. Il comprend des termes saisonniers auto-régressifs et de moyenne mobile saisonnière pour capturer des modèles répétitifs sur des intervalles spécifiques, ce qui le rend adapté aux séries chronologiques avec une composante saisonnière.
ARIMAX s'appuie sur ARIMA en introduisant des variables exogènes, qui sont des facteurs externes pouvant influencer la série chronologique. Ces variables supplémentaires sont prises en compte dans le modèle pour améliorer la précision des prévisions en tenant compte des influences externes au-delà des valeurs historiques de la série chronologique.
Le lissage exponentiel est une autre méthode de prévision de séries chronologiques qui, contrairement à ARIMA, est basée sur des moyennes pondérées d'observations passées. Il est particulièrement efficace pour capturer les tendances et la saisonnalité des données. La méthode attribue des poids décroissants de façon exponentielle aux observations passées, les observations plus récentes recevant des poids plus élevés.
Les modèles Amazon Forecast ont finalement été sélectionnés pour le segment de modélisation algorithmique. La vaste gamme de modèles et les capacités sophistiquées d'ingénierie de fonctionnalités offertes par AWS Forecast se sont révélées plus avantageuses et ont optimisé notre utilisation des ressources.
Six algorithmes disponibles dans Forecast ont été testés : Réseau neuronal convolutif – Régression quantile (CNN-QR), DeepAR+, Prophète, Série chronologique non paramétrique (NPTS), Moyenne mobile intégrée autorégressive (ARIMA), et Lissage exponentiel (ETS). Après analyse des résultats prévus, nous avons déterminé que CNN-QR surpassait les autres en termes d'efficacité. CNN-QR est un algorithme ML propriétaire développé par Amazon pour prévoir des séries temporelles scalaires (unidimensionnelles) à l'aide de réseaux neuronaux convolutifs (CNN) causals. Compte tenu de la disponibilité de diverses sources de données à ce stade, l'utilisation de l'algorithme CNN-QR a facilité l'intégration de diverses fonctionnalités, fonctionnant dans un cadre d'apprentissage supervisé. Cette distinction le séparait des modèles de prévision de séries chronologiques univariées et présentait des performances nettement améliorées.
L'utilisation de Forecast s'est avérée efficace en raison de la simplicité de fournir les données requises et de spécifier la durée de la prévision. Par la suite, Forecast utilise l'algorithme CNN-QR pour générer des prédictions. Cet outil a considérablement accéléré le processus pour notre équipe, notamment en matière de modélisation algorithmique. De plus, en utilisant Service de stockage simple Amazon (Amazon S3) pour les référentiels de données d'entrée et Amazon Redshift pour le stockage des résultats ont facilité la gestion centralisée de l'ensemble de la procédure.
Conclusion
Dans cet article, nous vous avons montré comment le projet E2E de Getir a démontré comment la combinaison des services Amazon Forecast et AWS Step Functions rationalise efficacement les processus complexes. Nous avons atteint une précision de prédiction impressionnante d'environ 90 % dans les pays d'Europe et de Turquie, et l'utilisation de Forecast a réduit le temps de modélisation de 70 % grâce à sa gestion efficace de l'ingénierie et de la modélisation des fonctionnalités.
L'utilisation du service AWS Step Functions a apporté des avantages pratiques, notamment en réduisant le temps de planification de 90 % pour tous les entrepôts. De plus, en tenant compte des exigences sur le terrain, nous avons amélioré les taux de conformité de 3 %, contribuant ainsi à répartir la main-d'œuvre plus efficacement. Ceci, à son tour, met en évidence le succès du projet dans l'optimisation des opérations et de la prestation de services.
Pour accéder à plus de détails sur le début de votre voyage avec Forecast, veuillez vous référer aux Ressources Amazon Forecast. De plus, pour obtenir des informations sur la création de flux de travail automatisés et la création de pipelines d'apprentissage automatique, vous pouvez explorer Fonctions d'étape AWS pour des conseils complets.
À propos des auteurs
Nafi Ahmet Turgut a terminé sa maîtrise en génie électrique et électronique et a travaillé comme chercheur scientifique diplômé. Son objectif était de créer des algorithmes d’apprentissage automatique pour simuler les anomalies du réseau nerveux. Il a rejoint Getir en 2019 et travaille actuellement en tant que responsable senior de la science des données et de l'analyse. Son équipe est responsable de la conception, de la mise en œuvre et de la maintenance d'algorithmes d'apprentissage automatique de bout en bout et de solutions basées sur les données pour Getir.
Mehmet Ikbal Özmen a obtenu sa maîtrise en économie et a travaillé comme assistant de recherche diplômé. Son domaine de recherche était principalement les modèles de séries chronologiques économiques, les simulations de Markov et la prévision de la récession. Il a ensuite rejoint Getir en 2019 et travaille actuellement en tant que Data Science & Analytics Manager. Son équipe est responsable des algorithmes d'optimisation et de prévision pour résoudre les problèmes complexes rencontrés par les entreprises d'exploitation et de chaîne d'approvisionnement.
Hassan Burak Yel a obtenu son baccalauréat en génie électrique et électronique à l'Université de Boğaziçi. Il a travaillé chez Turkcell, principalement axé sur la prévision de séries chronologiques, la visualisation de données et l'automatisation des réseaux. Il a rejoint Getir en 2021 et travaille actuellement en tant que responsable de la science des données et de l'analyse avec la responsabilité des domaines de recherche, de recommandation et de croissance.
Fatma Nur Dumlupınar Keşir a obtenu son baccalauréat du département de génie industriel de l'université de Boğaziçi. Elle a travaillé comme chercheuse chez TUBITAK, se concentrant sur la prévision et la visualisation de séries chronologiques. Elle a ensuite rejoint Getir en 2022 en tant que data scientist et a travaillé sur des projets de moteur de recommandation, Mathematical Programming for Workforce Planning.
Emre Uzel a obtenu son master en science des données de l'Université de Koç. Il a travaillé comme consultant en science des données chez Eczacıbaşı Bilişim où il s'est principalement concentré sur les algorithmes des moteurs de recommandation. Il a rejoint Getir en 2022 en tant que Data Scientist et a commencé à travailler sur des projets de prévision de séries chronologiques et d'optimisation mathématique.
Mutlu Polatcan est ingénieur de données chez Getir, spécialisé dans la conception et la construction de plates-formes de données natives du cloud. Il aime combiner des projets open source avec des services cloud.
Esra Kayabali est un architecte de solutions senior chez AWS, spécialisé dans le domaine de l'analyse, y compris l'entreposage de données, les lacs de données, l'analyse de données volumineuses, la diffusion de données par lots et en temps réel et l'intégration de données. Elle a 12 ans d'expérience en développement de logiciels et en architecture. Elle est passionnée par l'apprentissage et l'enseignement des technologies cloud.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/
- :possède
- :est
- :où
- 1
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 32
- 7
- 91
- a
- Capable
- A Propos
- accès
- accessible
- Compte
- Comptabilité
- précision
- Avec cette connaissance vient le pouvoir de prendre
- atteint
- à travers
- Supplémentaire
- En outre
- Avantage
- avantageux
- avantages
- algorithme
- algorithmique
- algorithmes
- Tous
- allouer
- permet
- le long de
- aussi
- Amazon
- Prévisions Amazon
- Redshift d'Amazon
- Amazon Web Services
- an
- selon une analyse de l’Université de Princeton
- analytique
- et les
- anomalies
- Une autre
- tous
- applications
- AR
- architecture
- SONT
- Réservé
- autour
- tableau
- AS
- attribué
- aider
- Assistante gérante
- At
- Automatisation
- automatiquement
- Automation
- disponibilité
- disponibles
- moyen
- AWS
- Fonctions d'étape AWS
- basé
- base
- BE
- before
- ci-dessous
- Améliorée
- Au-delà
- Big
- Big Data
- brand
- Cassé
- Développement
- construit
- la performance des entreprises
- entreprises
- by
- calculé
- le calcul
- calculs
- Campagne
- CAN
- capacités
- aptitude
- capturer
- Capturer
- Causes
- centralisée
- chaîne
- le cloud
- services de cloud computing
- moissonneuses-batteuses
- combinant
- commençant
- Société
- complexe
- conformité
- composant
- composants électriques
- complet
- calculs
- conglomérat
- considéré
- considérant
- contraintes
- la construction
- consultant
- des bactéries
- coordonner
- d'exportation
- Pays
- spécifique au pays
- La création
- Lecture
- Tous les jours
- données
- Analyse de Donnée
- science des données
- Data Scientist
- visualisation de données
- data-driven
- Dates
- décision
- défini
- Degré
- livrer
- page de livraison.
- Demande
- Prévision de la demande
- démontré
- Département
- décrire
- décrit
- conception
- détails
- Déterminer
- déterminé
- détermination
- développé
- Développement
- diagrammes
- distinction
- distribué
- plusieurs
- faire
- domaine
- domaines
- down
- deux
- durée
- chacun
- plus facilement
- Économique
- Économie
- Efficace
- de manière efficace
- efficacité
- efficace
- efficacement
- effort
- Electronique
- employant
- emploie
- end-to-end
- engagé
- Moteur
- ingénieur
- ENGINEERING
- améliorée
- Tout
- erreur
- estimation
- Europe
- du
- Les pays européens
- faire une éventuelle
- Chaque
- exécuter
- d'experience
- expérimenté
- expliqué
- explorez
- Exploré
- exponentiel
- exponentielle
- S'étend
- les
- externe
- facilité
- facteurs
- réalisable
- Fonctionnalité
- Fonctionnalités:
- champ
- Prénom
- Focus
- concentré
- mettant l'accent
- suivi
- Abonnement
- Pour
- Prévision
- prévisions
- à venir
- Fondée
- Framework
- De
- d’étiquettes électroniques entièrement
- fonctions
- plus
- En outre
- générer
- Allemagne
- donné
- objectif
- diplôme
- graphique
- Croissance
- GUEST
- Invité Message
- l'orientation
- Maniabilité
- Vous avez
- he
- vous aider
- aider
- ici
- augmentation
- Faits saillants
- très
- sa
- historique
- historique
- Idées
- HEURES
- Comment
- Cependant
- HTML
- http
- HTTPS
- Impact
- la mise en oeuvre
- la mise en œuvre
- impressionnant
- améliorer
- amélioré
- amélioration
- in
- inclut
- Y compris
- incorporation
- industriel
- influencer
- d'information
- initiale
- possible
- initier
- contribution
- idées.
- des services
- Intégration
- l'intégration
- Interfaces
- développement
- Découvrez le tout nouveau
- intuitif
- IT
- SES
- Emplois
- rejoint
- chemin
- jpg
- conjoncture
- Savoir
- des lacs
- grande échelle
- apprentissage
- LED
- Légal
- comme
- Basé sur la localisation
- aime
- click
- machine learning
- principalement
- Maintenir
- a prendre une
- FAIT DU
- Fabrication
- gérer
- gérés
- gestion
- manager
- Manuel
- de nombreuses
- Stratégie
- maîtrise
- mathématique
- Mai..
- méthode
- méthodes
- microservices
- réduisant au minimum
- manqué
- ML
- modèle
- modélisation statistique
- la modélisation
- numériques jumeaux (digital twin models)
- Surveiller
- PLUS
- en mouvement
- moyenne mobile
- nécessaire
- Besoins
- Netherlands
- réseau et
- réseaux
- neural
- Réseau neuronal
- les réseaux de neurones
- neuf
- notamment
- maintenant
- nombre
- objectif
- of
- code
- présenté
- on
- open source
- exploite
- d'exploitation
- opération
- opérationnel
- Opérations
- à mettre en œuvre pour gérer une entreprise rentable. Ce guide est basé sur trois décennies d'expérience
- optimisé
- l'optimisation
- passer commande
- l'organisation
- Autre
- Autres
- nos
- les résultats
- plus de
- global
- Parallèle
- paramètres
- particulièrement
- passionné
- passé
- motifs
- performant
- phase
- Pioneer
- pivot
- et la planification de votre patrimoine
- plans
- Plateformes
- Platon
- Intelligence des données Platon
- PlatonDonnées
- veuillez cliquer
- Post
- Méthode
- pratiques
- La précision
- prédiction
- Prédictions
- Problème
- d'ouvrabilité
- procédure
- processus
- les process
- Produit
- Programmation
- Projet
- projets
- Promotions
- proposition
- propriétaire
- prouvé
- aportando
- Tarifs
- rapport
- en temps réel
- données en temps réel à grande vitesse.
- reçu
- recevoir
- récent
- récession
- Recommandation
- Prix Réduit
- réduire
- réduction
- reportez-vous
- compter
- conditions
- Exigences
- a besoin
- requis
- un article
- chercheur
- ressource
- responsabilité
- responsables
- Résultats
- révolutionné
- pour le running
- même
- ordonnancement
- Sciences
- Scientifique
- Rechercher
- saisonnier
- Section
- clignotant
- segments
- choisi
- sélection
- supérieur
- séparé
- Série
- service
- Services
- plusieurs
- elle
- décalage
- DÉPLACEMENT
- pénurie
- montrer
- montré
- montré
- significative
- de façon significative
- étapes
- simplicité
- simplifié
- simplifiant
- Logiciels
- développement de logiciels
- sur mesure
- Solutions
- RÉSOUDRE
- Résoudre
- sophistiqué
- Sources
- spécialisation
- groupe de neurones
- L'équipe
- j'ai commencé
- États
- étapes
- storage
- stockage
- streaming
- rationalise
- ultérieur
- Par la suite
- succès
- tel
- convient
- la quantité
- chaîne d'approvisionnement
- surpassé
- excédent
- combustion propre
- Prenez
- tâches
- Enseignement
- équipe
- équipes
- techniques
- Les technologies
- Technologie
- conditions
- examiné
- qui
- Le
- Le graphique
- Pays-Bas
- au Royaume-Uni
- Les
- puis
- Ces
- l'ont
- this
- trois
- Avec
- débit
- Ainsi
- fiable
- Des séries chronologiques
- à
- aujourd'hui
- outil
- Les sujets
- traditionnel
- transactionnel
- Trends
- Turquie
- TOUR
- deux
- typiquement
- Uk
- sous
- Uni
- États-Unis
- université
- contrairement à
- sur
- utilisé
- d'utiliser
- Usages
- en utilisant
- Utilisant
- Valeurs
- divers
- Vaste
- verticales
- via
- visuel
- visualisation
- était
- Déchets
- we
- Météo
- web
- services Web
- Semaines
- ont été
- quand
- qui
- comprenant
- dans les
- travaillé
- workflow
- workflows
- Nos inspecteurs
- de travail
- vos contrats
- années
- Vous n'avez
- Votre
- zéphyrnet