Detta är ett gästinlägg medförfattare av Nafi Ahmet Turgut, Mehmet İkbal Özmen, Hasan Burak Yel, Fatma Nur Dumlupınar Keşir, Mutlu Polatcan och Emre Uzel från Getir.
fört är pionjären inom ultrasnabb matleverans. Teknikföretaget har revolutionerat last-mile-leveranser med sitt förslag om leverans på några minuter. Getir grundades 2015 och är verksamt i Turkiet, Storbritannien, Nederländerna, Tyskland och USA. Idag är Getir ett konglomerat som innehåller nio vertikaler under samma varumärke.
I det här inlägget beskriver vi det heltäckande arbetskraftshanteringssystemet som börjar med platsspecifik efterfrågeprognos, följt av kurirarbetskraftsplanering och skifttilldelning med hjälp av Amazon Prognos och AWS stegfunktioner.
Tidigare ägnade operativa team sig åt manuell personalledning, vilket resulterade i ett betydande slöseri med tid och ansträngning. Men med implementeringen av vårt omfattande end-to-end-projekt för arbetskraftshantering, kan de nu effektivt generera de nödvändiga kurirplanerna för lager genom en förenklad process med ett klick tillgänglig via ett webbgränssnitt. Innan initieringen av detta projekt förlitade sig affärsteam på mer intuitiva metoder för efterfrågeprognoser, vilket krävde förbättringar vad gäller precision.
Amazon Prognos är en helt hanterad tjänst som använder algoritmer för maskininlärning (ML) för att leverera mycket exakta tidsserieprognoser. I det här inlägget beskriver vi hur vi minskade modelleringstiden med 70 % genom att göra funktionsutvecklingen och modelleringen med Amazon Forecast. Vi uppnådde en 90 % minskning av förfluten tid när vi körde schemaläggningsalgoritmer för alla lager med AWS stegfunktioner, som är en helt hanterad tjänst som gör det enklare att koordinera komponenterna i distribuerade applikationer och mikrotjänster med hjälp av visuella arbetsflöden. Denna lösning ledde också till en 90-procentig förbättring av prediktionsnoggrannheten i Turkiet och flera europeiska länder.
Lösningsöversikt
End-to-end Workforce Management Project (E2E Project) är ett storskaligt projekt och det kan beskrivas i tre ämnen:
1. Beräkna budkrav
Det första steget är att uppskatta efterfrågan per timme för varje lager, som förklaras i avsnittet Val av algoritmer. Dessa förutsägelser, producerade med Amazon Forecast, hjälper till att avgöra när och hur många kurirer varje lager behöver.
Baserat på genomströmningsförhållandet för kurirerna i lager, beräknas antalet kurirer som krävs för varje lager i timintervall. Dessa beräkningar hjälper till att fastställa möjliga kurirräkningar med tanke på laglig arbetstid, vilket involverar matematisk modellering.
2. Lösa skiftuppdragsproblemet
När vi väl har kurirbehoven och känner till de andra begränsningarna för kurirerna och lagren kan vi lösa skiftuppdragsproblemet. Problemet är modellerat med beslutsvariabler som bestämmer vilka kurirer som ska tilldelas och skapar skiftscheman, vilket minimerar överskott och brist som kan orsaka missade beställningar. Detta är vanligtvis ett MIP-problem (mixed-integer programmering).
3. Använda AWS-stegfunktioner
Vi använder AWS Step Functions för att koordinera och hantera arbetsflöden med dess förmåga att utföra jobb parallellt. Varje lagers skifttilldelningsprocess definieras som ett separat arbetsflöde. AWS Step Functions initierar och övervakar dessa arbetsflöden automatiskt genom att förenkla felhanteringen.
Eftersom denna process kräver omfattande data och komplexa beräkningar erbjuder tjänster som AWS Step Functions en betydande fördel när det gäller att organisera och optimera uppgifter. Det möjliggör bättre kontroll och effektiv resurshantering.
I lösningsarkitekturen drar vi också nytta av andra AWS-tjänster genom att integrera dem i AWS Step Functions:
Följande diagram visar AWS Step Functions arbetsflöden och arkitektur för växlingsverktyget:
Algoritmval
Att prognostisera lokaliseringsefterfrågan utgör den inledande fasen i E2E-projektet. Det övergripande målet för E2E är att bestämma antalet kurirer som ska allokeras till ett specifikt lager, med början på en prognos för efterfrågan på det lagret.
Denna prognoskomponent är central inom E2E-ramverket, eftersom efterföljande faser förlitar sig på dessa prognosutfall. Således kan eventuella felaktigheter i förutsägelserna ha en skadlig inverkan på hela projektets effektivitet.
Syftet med fasen för prognostisering av lokal efterfrågan är att generera förutsägelser på landsspecifik basis för varje lager segmenterat varje timme under de kommande två veckorna. Inledningsvis formuleras dagliga prognoser för varje land genom ML-modeller. Dessa dagliga förutsägelser bryts sedan upp i timsegment, som visas i följande graf. Historisk transaktionsdata, platsbaserad väderinformation, semesterdatum, kampanjer och marknadsföringskampanjdata är funktionerna som används i modellen som visas i diagrammet nedan.
Teamet utforskade initialt traditionella prognostekniker som öppen källkod SARIMA (säsongsbetonat automatiskt regressivt integrerat glidande medelvärde), ARIMAX (Autoregressivt integrerat glidande medelvärde med hjälp av exogena variabler) och exponentiell utjämning.
ARIMA (Auto-Regressive Integrated Moving Average) är en tidsserieprognosmetod som kombinerar autoregressiva (AR) och glidande medelvärde (MA) komponenter tillsammans med differenser för att göra tidsserien stationär.
SARIMA utökar ARIMA genom att införliva ytterligare parametrar för att ta hänsyn till säsongsvariationer i tidsserien. Den inkluderar säsongsbetonade autoregressiva och säsongsbetonade glidande medelvärden för att fånga upprepade mönster över specifika intervall, vilket gör den lämplig för tidsserier med en säsongskomponent.
ARIMAX bygger på ARIMA genom att introducera exogena variabler, som är externa faktorer som kan påverka tidsserien. Dessa ytterligare variabler beaktas i modellen för att förbättra prognostiseringsnoggrannheten genom att ta hänsyn till yttre påverkan bortom tidsseriens historiska värden.
Exponentiell utjämning är en annan tidsserieprognosmetod som, till skillnad från ARIMA, är baserad på viktade medelvärden av tidigare observationer. Det är särskilt effektivt för att fånga trender och säsongsvariationer i data. Metoden tilldelar tidigare observationer exponentiellt minskande vikter, med nyare observationer som får högre vikt.
Amazon Forecast-modellerna valdes så småningom ut för segmentet algoritmisk modellering. Det stora utbudet av modeller och de sofistikerade funktionerna som erbjuds av AWS Forecast visade sig vara mer fördelaktiga och optimerade vårt resursutnyttjande.
Sex algoritmer tillgängliga i Forecast testades: Konvolutionellt neuralt nätverk – kvantilregression (CNN-QR), DeepAR +, Profet, Icke-parametrisk tidsserie (NPTS), Autoregressivt integrerat glidande medelvärde (ARIMA), och Exponentiell utjämning (ETS). Efter analys av prognosresultaten fastställde vi att CNN-QR överträffade de andra i effektivitet. CNN-QR är en egenutvecklad ML-algoritm utvecklad av Amazon för att prognostisera skalära (endimensionella) tidsserier med hjälp av kausala Convolutional Neural Networks (CNN). Med tanke på tillgången på olika datakällor vid denna tidpunkt, underlättade användningen av CNN-QR-algoritmen integrationen av olika funktioner, som arbetar inom ett övervakat läranderamverk. Denna distinktion skilde den från univariata tidsserieprognosmodeller och markant förbättrad prestanda.
Att använda Forecast visade sig vara effektivt på grund av enkelheten att tillhandahålla nödvändiga data och ange prognostiden. Därefter använder Forecast CNN-QR-algoritmen för att generera förutsägelser. Detta verktyg påskyndade processen avsevärt för vårt team, särskilt inom algoritmisk modellering. Dessutom utnyttjar Amazon enkel lagringstjänst (Amazon S3) hinkar för indatalager och Amazon Redshift för att lagra resultat har underlättat centraliserad hantering av hela proceduren.
Slutsats
I det här inlägget visade vi dig hur Getirs E2E-projekt visade hur en kombination av Amazon Forecast och AWS Step Functions-tjänster effektiviserar komplexa processer effektivt. Vi uppnådde en imponerande prediktionsnoggrannhet på cirka 90 % i länder i Europa och Turkiet, och genom att använda Forecast minskade vi modelleringstiden med 70 % på grund av dess effektiva hantering av funktionsteknik och modellering.
Att använda tjänsten AWS Step Functions har lett till praktiska fördelar, särskilt att schemaläggningstiden minskat med 90 % för alla lager. Genom att ta hänsyn till fältkrav förbättrade vi också efterlevnadsgraden med 3 %, vilket hjälpte till att fördela personalstyrkan mer effektivt. Detta belyser i sin tur projektets framgång med att optimera driften och tjänsteleveransen.
För att få mer information om hur du påbörjar din resa med Forecast, vänligen se den tillgängliga Amazon Forecast-resurser. Dessutom, för insikter om att konstruera automatiserade arbetsflöden och skapa pipelines för maskininlärning, kan du utforska AWS stegfunktioner för omfattande vägledning.
Om författarna
Nafi Ahmet Turgut avslutade sin masterexamen i elektro- och elektronikteknik och arbetade som forskare. Hans fokus var att bygga maskininlärningsalgoritmer för att simulera nervösa nätverksavvikelser. Han började på Getir 2019 och arbetar för närvarande som Senior Data Science & Analytics Manager. Hans team ansvarar för att designa, implementera och underhålla end-to-end maskininlärningsalgoritmer och datadrivna lösningar för Getir.
Mehmet İkbal Özmen tog sin magisterexamen i nationalekonomi och arbetade som forskarassistent. Hans forskningsområde var främst ekonomiska tidsseriemodeller, Markov-simuleringar och recessionsprognoser. Han började sedan på Getir 2019 och arbetar för närvarande som Data Science & Analytics Manager. Hans team är ansvarigt för optimerings- och prognosalgoritmer för att lösa de komplexa problem som operations- och leveranskedjan upplever.
Hasan Burak Yel tog sin kandidatexamen i elektro- och elektronikteknik vid Boğaziçi University. Han arbetade på Turkcell, främst fokuserat på tidsserieprognoser, datavisualisering och nätverksautomation. Han började på Getir 2021 och arbetar för närvarande som Data Science & Analytics Manager med ansvar för söknings-, rekommendations- och tillväxtdomäner.
Fatma Nur Dumlupınar Keşir tog sin kandidatexamen från Industrial Engineering Department vid Boğaziçi University. Hon arbetade som forskare på TUBITAK, med fokus på tidsserieprognoser & visualisering. Sedan började hon på Getir 2022 som datavetare och har arbetat med Recommendation Engine-projekt, Mathematical Programming for Workforce Planning.
Emre Uzel tog sin magisterexamen i datavetenskap från Koç University. Han arbetade som datavetenskapskonsult på Eczacıbaşı Bilişim där han främst fokuserade på rekommendationsmotoralgoritmer. Han började på Getir 2022 som Data Scientist och började arbeta med tidsserieprognoser och matematiska optimeringsprojekt.
Mutlu Polatcan är en Staff Data Engineer på Getir, specialiserad på att designa och bygga molnbaserade dataplattformar. Han älskar att kombinera öppen källkodsprojekt med molntjänster.
Esra Kayabalı är en Senior Solutions Architect på AWS, specialiserad på analysdomänen inklusive datalager, datasjöar, big data-analys, batch- och realtidsdataströmning och dataintegration. Hon har 12 års erfarenhet av mjukvaruutveckling och arkitektur. Hon brinner för att lära sig och lära ut molnteknik.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/getir-end-to-end-workforce-management-amazon-forecast-and-aws-step-functions/
- : har
- :är
- :var
- 1
- 100
- 12
- 2015
- 2019
- 2021
- 2022
- 32
- 7
- 91
- a
- Able
- Om Oss
- tillgång
- tillgänglig
- Konto
- Redovisning
- noggrannhet
- exakt
- uppnås
- tvärs
- Annat
- Dessutom
- Fördel
- fördelaktig
- fördelar
- algoritm
- algoritmisk
- algoritmer
- Alla
- fördela
- tillåter
- längs
- också
- amason
- Amazon Prognos
- Amazon RedShift
- Amazon Web Services
- an
- analys
- analytics
- och
- abnormiteter
- Annan
- vilken som helst
- tillämpningar
- AR
- arkitektur
- ÄR
- OMRÅDE
- runt
- array
- AS
- delad
- bistå
- Assistent
- At
- Automatiserad
- automatiskt
- Automation
- tillgänglighet
- tillgänglig
- genomsnitt
- AWS
- AWS stegfunktioner
- baserat
- grund
- BE
- innan
- nedan
- Bättre
- Bortom
- Stor
- Stora data
- varumärke
- Brutet
- Byggnad
- bygger
- företag
- företag
- by
- beräknat
- beräkning
- beräkningar
- Kampanj
- KAN
- kapacitet
- kapacitet
- fånga
- Fångande
- Orsak
- centraliserad
- kedja
- cloud
- molntjänster
- kombinerar
- kombinera
- börjar
- företag
- komplex
- Efterlevnad
- komponent
- komponenter
- omfattande
- beräkningar
- konglomerat
- anses
- med tanke på
- begränsningar
- konstruera
- konsult
- kontroll
- samordna
- länder
- land
- landsspecifika
- Skapa
- För närvarande
- dagligen
- datum
- Data Analytics
- datavetenskap
- datavetare
- datavisualisering
- data driven
- Datum
- Beslutet
- definierade
- Examen
- leverera
- leverans
- Efterfrågan
- Förfrågan om efterfrågan
- demonstreras
- Avdelning
- beskriva
- beskriven
- design
- detaljer
- Bestämma
- bestämd
- bestämmande
- utvecklade
- Utveckling
- diagrammen
- skillnad
- distribueras
- flera
- gör
- domän
- domäner
- ner
- grund
- varaktighet
- varje
- lättare
- Ekonomisk
- Ekonomi
- Effektiv
- effektivt
- effektivitet
- effektiv
- effektivt
- ansträngning
- Elektronik
- utnyttjande
- sysselsätter
- början till slut
- ingrepp
- Motor
- ingenjör
- Teknik
- förbättrad
- Hela
- fel
- uppskatta
- Europa
- Giltigt körkort
- Europeiska länder
- så småningom
- Varje
- exekvera
- erfarenhet
- erfaren
- förklarade
- utforska
- utforskas
- exponentiell
- exponentiellt
- sträcker
- omfattande
- extern
- underlättas
- faktorer
- möjlig
- Leverans
- Funktioner
- fält
- Förnamn
- Fokus
- fokuserade
- fokusering
- följt
- efter
- För
- Prognos
- prognoser
- kommande
- Grundad
- Ramverk
- från
- fullständigt
- funktioner
- ytterligare
- Vidare
- generera
- Tyskland
- ges
- Målet
- uppgradera
- diagram
- Tillväxt
- Gäst
- gäst inlägg
- vägleda
- Arbetsmiljö
- Har
- he
- hjälpa
- hjälpa
- här
- högre
- höjdpunkter
- höggradigt
- hans
- historiska
- historisk
- Semester
- ÖPPETTIDER
- Hur ser din drömresa ut
- Men
- html
- http
- HTTPS
- Inverkan
- genomförande
- genomföra
- imponerande
- förbättra
- förbättras
- förbättring
- in
- innefattar
- Inklusive
- införlivande
- industriell
- påverka
- informationen
- inledande
- initialt
- initiera
- ingång
- insikter
- integrerade
- Integrera
- integrering
- Gränssnitt
- in
- införa
- intuitiv
- IT
- DESS
- Lediga jobb
- fogade
- resa
- jpg
- föreningspunkt
- Vet
- sjöar
- storskalig
- inlärning
- Led
- Adress
- tycka om
- Platsbaserad
- älskar
- Maskinen
- maskininlärning
- huvudsakligen
- upprätthålla
- göra
- GÖR
- Framställning
- hantera
- förvaltade
- ledning
- chef
- manuell
- många
- Marknadsföring
- master
- matematisk
- Maj..
- metod
- metoder
- microservices
- minimerande
- missade
- ML
- modell
- modellering
- modellering
- modeller
- Övervaka
- mer
- rörliga
- glidande medelvärde
- nödvändigt för
- behov
- Nederländerna
- nät
- nätverk
- neurala
- neurala nätverk
- neurala nätverk
- nio
- i synnerhet
- nu
- antal
- mål
- of
- erbjudanden
- erbjuds
- on
- öppen källkod
- fungerar
- drift
- drift
- operativa
- Verksamhet
- optimering
- optimerad
- optimera
- ordrar
- organisering
- Övriga
- Övrigt
- vår
- utfall
- över
- övergripande
- Parallell
- parametrar
- särskilt
- brinner
- Tidigare
- mönster
- prestanda
- fas
- pionjär
- svängbara
- planering
- planer
- Plattformar
- plato
- Platon Data Intelligence
- PlatonData
- snälla du
- Inlägg
- Praktisk
- praxis
- Precision
- förutsägelse
- Förutsägelser
- Problem
- problem
- förfaranden
- process
- processer
- producerad
- Programmering
- projektet
- projekt
- kampanjer
- förslag
- proprietary
- visat
- tillhandahålla
- rates
- ratio
- realtid
- data i realtid
- mottagna
- mottagande
- senaste
- lågkonjunktur
- Rekommendation
- Minskad
- reducerande
- reduktion
- hänvisa
- förlita
- Obligatorisk
- Krav
- Kräver
- erforderlig
- forskning
- forskaren
- resurs
- ansvaret
- ansvarig
- Resultat
- revolution
- rinnande
- Samma
- schemaläggning
- Vetenskap
- Forskare
- Sök
- säsong
- §
- segmentet
- segment
- vald
- Val
- senior
- separat
- Serier
- service
- Tjänster
- flera
- hon
- skifta
- SKIFTANDE
- brist
- show
- visade
- visas
- signifikant
- signifikant
- Enkelt
- enkelhet
- förenklade
- förenkla
- Mjukvara
- mjukvaruutveckling
- lösning
- Lösningar
- LÖSA
- Lösa
- sofistikerade
- Källor
- specialiserat
- specifik
- Personal
- igång
- Stater
- Steg
- förvaring
- misslyckande
- streaming
- strömlinjer
- senare
- Senare
- framgång
- sådana
- lämplig
- leverera
- leveranskedjan
- överträffade
- överskott
- system
- Ta
- uppgifter
- Undervisning
- grupp
- lag
- tekniker
- Tekniken
- Teknologi
- villkor
- testade
- den där
- Smakämnen
- Grafen
- Nederländerna
- Storbritannien
- Dem
- sedan
- Dessa
- de
- detta
- tre
- Genom
- genomströmning
- Således
- tid
- Tidsföljder
- till
- i dag
- verktyg
- ämnen
- traditionell
- transaktion
- Trender
- Turkiet
- SVÄNG
- två
- typiskt
- Uk
- under
- United
- USA
- universitet
- till skillnad från
- på
- användning
- Begagnade
- användningar
- med hjälp av
- Använda
- Värden
- olika
- Omfattande
- vertikaler
- via
- visuell
- visualisering
- var
- Avfall
- we
- Väder
- webb
- webbservice
- veckor
- były
- när
- som
- med
- inom
- arbetade
- arbetsflöde
- arbetsflöden
- arbetskraft
- arbetssätt
- fungerar
- år
- Om er
- Din
- zephyrnet