Это гостевой пост, написанный в соавторстве с Нафи Ахметом Тургутом, Мехметом Икбалом Озменом, Хасаном Бураком Йелем, Фатмой Нур Думлупынар Кешир, Мутлу Полатджаном и Эмре Узелем из Getir.
принес является пионером сверхбыстрой доставки продуктов. Технологическая компания произвела революцию в доставке «последней мили», предложив доставку продуктов за считанные минуты. Getir была основана в 2015 году и работает в Турции, Великобритании, Нидерландах, Германии и США. Сегодня Getir представляет собой конгломерат, объединяющий девять вертикалей под одним брендом.
В этой статье мы описываем комплексную систему управления персоналом, которая начинается с прогнозирования спроса с учетом конкретного местоположения, за которым следует планирование рабочей силы курьера и распределение смен с использованием Прогноз Амазонки и Шаговые функции AWS.
В прошлом оперативные группы занимались ручным управлением персоналом, что приводило к значительной трате времени и усилий. Однако благодаря реализации нашего комплексного проекта комплексного управления персоналом они теперь могут эффективно создавать необходимые планы курьерской доставки для складов с помощью упрощенного процесса в один клик, доступного через веб-интерфейс. До начала этого проекта бизнес-команды полагались на более интуитивные методы прогнозирования спроса, которые требовали повышения точности.
Прогноз Амазонки — это полностью управляемый сервис, который использует алгоритмы машинного обучения (ML) для предоставления высокоточных прогнозов временных рядов. В этом посте мы описываем, как мы сократили время моделирования на 70 %, выполнив разработку функций и моделирование с помощью Amazon Forecast. Мы добились сокращения затраченного времени на 90 % при запуске алгоритмов планирования для всех складов с использованием Шаговые функции AWS, который представляет собой полностью управляемый сервис, упрощающий координацию компонентов распределенных приложений и микросервисов с помощью визуальных рабочих процессов. Это решение также привело к повышению точности прогнозов на 90% в Турции и нескольких европейских странах.
Обзор решения
Проект сквозного управления персоналом (Проект E2E) — это масштабный проект, который можно описать тремя темами:
1. Расчет требований к курьеру
Первым шагом является оценка почасовой потребности для каждого склада, как описано в разделе «Выбор алгоритма». Эти прогнозы, созданные с помощью Amazon Forecast, помогают определить, когда и сколько курьеров потребуется каждому складу.
Исходя из пропускной способности курьеров на складах, количество курьеров, необходимое для каждого склада, рассчитывается в часовых интервалах. Эти расчеты помогают определить возможное количество курьеров с учетом установленного законом рабочего времени, что предполагает математическое моделирование.
2. Решение проблемы распределения смен.
Как только мы узнаем потребности в курьерах и узнаем другие ограничения курьеров и складов, мы сможем решить проблему назначения смен. Проблема моделируется с помощью переменных решения, определяющих назначаемых курьеров и создающих графики смен, сводя к минимуму излишки и дефициты, которые могут привести к пропущенным заказам. Обычно это задача смешанно-целочисленного программирования (MIP).
3. Использование пошаговых функций AWS
Мы используем AWS Step Functions для координации рабочих процессов и управления ими благодаря возможности параллельного выполнения заданий. Процесс назначения смен на каждом складе определяется как отдельный рабочий процесс. AWS Step Functions автоматически инициирует и контролирует эти рабочие процессы, упрощая обработку ошибок.
Поскольку этот процесс требует обширных данных и сложных вычислений, такие сервисы, как AWS Step Functions, предлагают значительное преимущество в организации и оптимизации задач. Это позволяет лучше контролировать и эффективно управлять ресурсами.
В архитектуре решения мы также используем преимущества других сервисов AWS, интегрируя их в AWS Step Functions:
На следующих диаграммах показаны рабочие процессы AWS Step Functions и архитектура инструмента переключения:
Выбор алгоритма
Прогнозирование спроса на местоположение представляет собой начальный этап проекта E2E. Основная цель E2E — определить количество курьеров, которые будут выделены на конкретный склад, начиная с прогноза спроса на этот склад.
Этот компонент прогнозирования имеет решающее значение в рамках E2E, поскольку последующие этапы зависят от этих результатов прогнозирования. Таким образом, любые неточности прогноза могут отрицательно сказаться на эффективности всего проекта.
Целью этапа прогнозирования спроса на местности является создание прогнозов с учетом специфики страны для каждого склада, сегментированного по часам, в течение предстоящих двух недель. Первоначально ежедневные прогнозы для каждой страны формулируются с помощью моделей машинного обучения. Эти ежедневные прогнозы впоследствии разбиваются на часовые сегменты, как показано на следующем графике. Исторические данные о транзакционном спросе, информация о погоде на основе местоположения, даты праздников, рекламные акции и данные маркетинговых кампаний — это функции, используемые в модели, как показано на графике ниже.
Первоначально команда исследовала традиционные методы прогнозирования, такие как САРИМА (Сезонное авторегрессионное интегрированное скользящее среднее), АРИМАКС (авторегрессионное интегрированное скользящее среднее с использованием экзогенных переменных) и экспоненциальное сглаживание.
ARIMA (авторегрессионное интегрированное скользящее среднее) — это метод прогнозирования временных рядов, который сочетает в себе компоненты авторегрессии (AR) и скользящего среднего (MA), а также дифференциацию, чтобы сделать временной ряд стационарным.
SARIMA расширяет ARIMA за счет включения дополнительных параметров для учета сезонности временных рядов. Он включает в себя сезонную авторегрессию и сезонное скользящее среднее для выявления повторяющихся закономерностей в течение определенных интервалов, что делает его подходящим для временных рядов с сезонным компонентом.
ARIMAX основывается на ARIMA, вводя экзогенные переменные, которые являются внешними факторами, которые могут влиять на временной ряд. Эти дополнительные переменные учитываются в модели для повышения точности прогнозирования за счет учета внешних влияний, выходящих за рамки исторических значений временного ряда.
Экспоненциальное сглаживание — это еще один метод прогнозирования временных рядов, который, в отличие от ARIMA, основан на средневзвешенных значениях прошлых наблюдений. Он особенно эффективен для выявления тенденций и сезонности данных. Этот метод присваивает экспоненциально уменьшающиеся веса прошлым наблюдениям, при этом более поздним наблюдениям присваиваются более высокие веса.
Модели Amazon Forecast в конечном итоге были выбраны для сегмента алгоритмического моделирования. Широкий спектр моделей и сложные возможности проектирования функций, предлагаемые AWS Forecast, оказались более выгодными и оптимизировали использование наших ресурсов.
Были протестированы шесть алгоритмов, доступных в Forecast: Сверточная нейронная сеть – квантильная регрессия (CNN-QR), Глубокая AR+, Пророк, Непараметрический временной ряд (НПТС), Авторегрессия Интегрированная Скользящая Средняя (АРИМА) и Экспоненциальное сглаживание (ЕТС). Проанализировав результаты прогноза, мы определили, что CNN-QR превосходит остальные по эффективности. CNN-QR — это собственный алгоритм машинного обучения, разработанный Amazon для прогнозирования скалярных (одномерных) временных рядов с использованием причинных сверточных нейронных сетей (CNN). Учитывая доступность разнообразных источников данных на данном этапе, использование алгоритма CNN-QR облегчило интеграцию различных функций, работающих в рамках контролируемой структуры обучения. Это различие отличало его от одномерных моделей прогнозирования временных рядов и заметно повышало производительность.
Использование «Прогноза» оказалось эффективным благодаря простоте предоставления необходимых данных и указания продолжительности прогноза. Впоследствии Forecast использует алгоритм CNN-QR для генерации прогнозов. Этот инструмент значительно ускорил процесс для нашей команды, особенно в алгоритмическом моделировании. Кроме того, используя Простой сервис хранения Amazon (Amazon S3) для хранилищ входных данных и Amazon Redshift для хранения результатов упростили централизованное управление всей процедурой.
Заключение
В этом посте мы показали, как проект Getir E2E продемонстрировал, как объединение сервисов Amazon Forecast и AWS Step Functions эффективно оптимизирует сложные процессы. Мы достигли впечатляющей точности прогнозов — около 90 % в странах Европы и Турции, а использование Forecast сократило время моделирования на 70 % благодаря эффективному выполнению функций проектирования и моделирования.
Использование сервиса AWS Step Functions дало практические преимущества, в частности, сократило время планирования на 90 % для всех складов. Кроме того, учитывая требования на местах, мы улучшили показатели соблюдения требований на 3 %, что помогло более эффективно распределять рабочую силу. Это, в свою очередь, подчеркивает успех проекта в оптимизации операций и предоставления услуг.
Чтобы получить дополнительную информацию о начале вашего путешествия с помощью Forecast, обратитесь к доступному Ресурсы Amazon Forecast. Кроме того, чтобы получить информацию о построении автоматизированных рабочих процессов и конвейеров машинного обучения, вы можете изучить Шаговые функции AWS за всестороннее руководство.
Об авторах
Нафи Ахмет Тургут получил степень магистра в области электротехники и электроники и работал научным сотрудником. Его целью было создание алгоритмов машинного обучения для моделирования аномалий нервной сети. Он присоединился к Getir в 2019 году и в настоящее время работает старшим менеджером по науке о данных и аналитике. Его команда отвечает за проектирование, внедрение и поддержку комплексных алгоритмов машинного обучения и решений на основе данных для Getir.
Мехмет Икбал Озмен получил степень магистра экономики и работал научным сотрудником. Областью его исследований были в основном модели экономических временных рядов, марковское моделирование и прогнозирование рецессии. Затем он присоединился к Getir в 2019 году и в настоящее время работает менеджером по науке и аналитике данных. Его команда отвечает за алгоритмы оптимизации и прогнозирования для решения сложных проблем, с которыми сталкиваются предприятия, занимающиеся операциями и цепочками поставок.
Хасан Бурак Йел получил степень бакалавра в области электротехники и электроники в Университете Богазичи. Он работал в Turkcell, в основном занимаясь прогнозированием временных рядов, визуализацией данных и автоматизацией сетей. Он присоединился к Getir в 2021 году и в настоящее время работает менеджером по науке о данных и аналитике, отвечая за домены поиска, рекомендаций и роста.
Фатма Нур Думлупинар Кешир получила степень бакалавра на факультете промышленной инженерии Университета Богазичи. Она работала исследователем в TUBITAK, занимаясь прогнозированием и визуализацией временных рядов. Затем в 2022 году она присоединилась к Getir в качестве специалиста по данным и работала над проектами системы рекомендаций «Математическое программирование для планирования рабочей силы».
Эмре Узель получил степень магистра в области науки о данных в Университете Коч. Он работал консультантом по науке о данных в Eczacıbaşı Bilişim, где в основном занимался алгоритмами рекомендательных систем. Он присоединился к Getir в 2022 году в качестве специалиста по данным и начал работать над проектами прогнозирования временных рядов и математической оптимизации.
Мутлу Полаткан является штатным инженером по обработке данных в компании Getir, специализирующейся на разработке и создании облачных платформ данных. Он любит сочетать проекты с открытым исходным кодом с облачными сервисами.
Эсра Каябалы — старший архитектор решений в AWS, специализирующийся в области аналитики, включая хранилища данных, озера данных, аналитику больших данных, пакетную передачу данных и потоковую передачу данных в реальном времени, а также интеграцию данных. Она имеет 12-летний опыт разработки программного обеспечения и архитектуры. Она увлечена изучением и преподаванием облачных технологий.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
- ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
- ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
- ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/
- :имеет
- :является
- :куда
- 1
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 32
- 7
- 91
- a
- в состоянии
- О нас
- доступ
- доступной
- Учетная запись
- Бухгалтерский учет
- точность
- точный
- достигнутый
- через
- дополнительный
- Дополнительно
- плюс
- выгодный
- Преимущества
- алгоритм
- алгоритмический
- алгоритмы
- Все
- выделять
- позволяет
- вдоль
- причислены
- Amazon
- Прогноз Амазонки
- Амазонка Redshift
- Amazon Web Services
- an
- анализ
- аналитика
- и
- аномалии
- Другой
- любой
- Приложения
- AR
- архитектура
- МЫ
- ПЛОЩАДЬ
- около
- массив
- AS
- назначенный
- помощь
- помощник
- At
- Автоматизированный
- автоматически
- автоматизация
- свободных мест
- доступен
- в среднем
- AWS
- Шаговые функции AWS
- основанный
- основа
- BE
- до
- ниже
- Лучшая
- Beyond
- большой
- Big Data
- марка
- Сломанный
- Строительство
- строит
- бизнес
- бизнес
- by
- рассчитанный
- расчет
- расчеты
- Кампания
- CAN
- возможности
- возможности
- захватить
- Захват
- Вызывать
- централизованная
- цепь
- облако
- облачные сервисы
- комбинаты
- комбинируя
- начало
- Компания
- комплекс
- Соответствие закону
- компонент
- компоненты
- комплексный
- расчеты
- конгломерат
- считается
- принимая во внимание
- ограничения
- строительство
- консультант
- контроль
- координировать
- страны
- страна
- конкретной страны
- Создающий
- В настоящее время
- ежедневно
- данным
- Анализ данных
- наука о данных
- ученый данных
- визуализация данных
- управляемых данными
- Финики
- решение
- определенный
- Степень
- доставить
- поставка
- Спрос
- Прогнозирование спроса
- убивают
- Кафедра
- описывать
- описано
- проектирование
- подробнее
- Определять
- определены
- определения
- развитый
- Развитие
- диаграммы
- различие
- распределенный
- Разное
- дело
- домен
- доменов
- вниз
- два
- продолжительность
- каждый
- легче
- Экономические
- Экономика
- Эффективный
- фактически
- эффективность
- эффективный
- эффективно
- усилие
- Electronics
- используя
- работает
- впритык
- занятый
- Двигатель
- инженер
- Проект и
- расширение
- Весь
- ошибка
- оценка
- Европе
- Европейская кухня
- европейские страны
- со временем
- Каждая
- выполнять
- опыт
- опытные
- объяснены
- Больше
- Разведанный
- экспоненциальный
- экспоненциально
- продолжается
- обширный
- и, что лучший способ
- облегчается
- факторы
- выполнимый
- Особенность
- Особенности
- поле
- Во-первых,
- Фокус
- внимание
- фокусировка
- следует
- после
- Что касается
- Прогноз
- Прогнозы
- предстоящий
- Основана
- Рамки
- от
- полностью
- Функции
- далее
- Более того
- порождать
- Germany
- данный
- цель
- выпускник
- график
- Рост
- GUEST
- Guest Post
- руководство
- Управляемость
- Есть
- he
- помощь
- помощь
- ее
- высший
- основной момент
- очень
- его
- исторический
- исторический
- Выходные
- ЧАСЫ
- Как
- Однако
- HTML
- HTTP
- HTTPS
- Влияние
- реализация
- Осуществляющий
- впечатляющий
- улучшать
- улучшенный
- улучшение
- in
- включает в себя
- В том числе
- включения
- промышленность
- повлиять
- информация
- начальный
- первоначально
- инициировать
- вход
- размышления
- интегрированный
- Интегрируя
- интеграции.
- Интерфейс
- в
- введение
- интуитивный
- IT
- ЕГО
- Джобс
- присоединился
- путешествие
- JPG
- стык
- Знать
- озера
- крупномасштабный
- изучение
- привело
- Юр. Информация
- такое как
- На основе расположения
- любит
- машина
- обучение с помощью машины
- в основном
- Сохранение
- сделать
- ДЕЛАЕТ
- Создание
- управлять
- управляемого
- управление
- менеджер
- руководство
- многих
- Маркетинг
- магистра
- математический
- Май..
- метод
- методы
- microservices
- минимизация
- пропущенный
- ML
- модель
- моделирование
- моделирование
- Модели
- монитор
- БОЛЕЕ
- перемещение
- скользящей средней
- необходимо
- потребности
- Нидерланды
- сеть
- сетей
- нервный
- нейронной сети
- нейронные сети
- 9
- особенно
- сейчас
- номер
- цель
- of
- предлагают
- предложенный
- on
- с открытым исходным кодом
- работает
- операционный
- операция
- оперативный
- Операционный отдел
- оптимизация
- оптимизированный
- оптимизирующий
- заказы
- организации
- Другое
- Другое
- наши
- Результаты
- за
- Всеобъемлющая
- Параллельные
- параметры
- особенно
- страстный
- мимо
- паттеранами
- производительность
- фаза
- пионер
- основной
- планирование
- Планы
- Платформы
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- пожалуйста
- После
- практическое
- практиками
- Точность
- прогноз
- Predictions
- Проблема
- проблемам
- процедуры
- процесс
- Процессы
- Произведенный
- Программирование
- Проект
- проектов
- Спецпредложения
- предложение.
- ( изучите наши патенты),
- доказанный
- обеспечение
- Стоимость
- соотношение
- реального времени
- данные в реальном времени
- получила
- получение
- последний
- спад
- Рекомендация
- Цена снижена
- снижение
- снижение
- относиться
- полагаться
- обязательный
- Требования
- требуется
- реквизит
- исследованиям
- исследователь
- ресурс
- ответственность
- ответственный
- Итоги
- революция
- Бег
- то же
- планирование
- Наука
- Ученый
- Поиск
- сезонный
- Раздел
- сегмент
- сегментами
- выбранный
- выбор
- старший
- отдельный
- Серии
- обслуживание
- Услуги
- несколько
- она
- сдвиг
- СДВИГАЯ
- нехватка
- показывать
- показал
- показанный
- значительный
- существенно
- просто
- простота
- упрощенный
- упрощение
- Software
- разработка программного обеспечения
- Решение
- Решения
- РЕШАТЬ
- Решение
- сложный
- Источники
- специализация
- конкретный
- Персонал
- и политические лидеры
- Области
- Шаг
- диск
- хранение
- потоковый
- тока
- последующее
- впоследствии
- успех
- такие
- подходящее
- поставка
- цепочками поставок
- превзошел
- избыток
- система
- взять
- задачи
- Обучение
- команда
- команды
- снижения вреда
- технологии
- Технологии
- terms
- проверенный
- который
- Ассоциация
- График
- Нидерланды
- Великобритании
- Их
- тогда
- Эти
- они
- этой
- три
- Через
- пропускная способность
- Таким образом
- время
- Временные ряды
- в
- сегодня
- инструментом
- Темы
- традиционный
- транзакционный
- Тенденции
- Турция
- ОЧЕРЕДЬ
- два
- типично
- Uk
- под
- Объединенный
- США
- Университет
- В отличие от
- на
- использование
- используемый
- использования
- через
- Использующий
- Наши ценности
- различный
- Огромная
- вертикалей
- с помощью
- визуальный
- визуализация
- законопроект
- Снизить отходы
- we
- Погода
- Web
- веб-сервисы
- Недели
- были
- когда
- , которые
- в
- работавший
- рабочий
- Рабочие процессы
- Трудовые ресурсы
- работает
- работает
- лет
- Ты
- ВАШЕ
- зефирнет