یہ پوسٹ مور ریٹیل لمیٹڈ کے سپرتیم بنرجی اور شیو پرساد کے ٹی اور گنیت انکارپوریشن کے گورو ایچ کانکریا کے ذریعہ ایک مہمان مشترکہ تعاون ہے۔
مزید ریٹیل لمیٹڈ (MRL) ہندوستان کے سرفہرست چار گروسری خوردہ فروشوں میں سے ایک ہے، جس کی آمدنی کئی بلین ڈالر ہے۔ اس کے پاس ہندوستان بھر میں 22 ہائپر مارکیٹس اور 624 سپر مارکیٹوں کا ایک اسٹور نیٹ ورک ہے، جس میں 13 تقسیمی مراکز، 7 پھل اور سبزیاں جمع کرنے کے مراکز، اور 6 اسٹیپل پروسیسنگ مراکز کی سپلائی چین کی مدد حاصل ہے۔
اتنے بڑے نیٹ ورک کے ساتھ، MRL کے لیے صارفین کی طلب کو پورا کرتے ہوئے اور آپریشنل اخراجات کو کم سے کم رکھنے کے ساتھ ساتھ، صحیح اقتصادی قیمت پر صحیح پروڈکٹ کوالٹی فراہم کرنا بہت ضروری ہے۔ MRL نے اپنے AI تجزیاتی پارٹنر کے طور پر گینٹ کے ساتھ تعاون کیا تاکہ زیادہ درستگی کے ساتھ مانگ کی پیش گوئی کی جا سکے اور اسٹور مینیجرز کے ذریعہ دستی فیصلے کی رکاوٹوں اور کمیوں کو دور کرنے کے لیے ایک خودکار آرڈرنگ سسٹم بنایا جا سکے۔ MRL استعمال کیا جاتا ہے ایمیزون کی پیشن گوئی اپنی پیشن گوئی کی درستگی کو 24% سے بڑھا کر 76% کرنے کے لیے، جس کے نتیجے میں تازہ پیداوار کے زمرے میں ضیاع میں 30% تک کمی، اسٹاک کی شرح کو 80% سے 90% تک بڑھانا، اور مجموعی منافع میں 25% اضافہ کرنا۔
ہم دو بنیادی وجوہات کی بنا پر ان کاروباری نتائج کو حاصل کرنے اور ایک خودکار آرڈرنگ سسٹم بنانے میں کامیاب رہے:
- تجربہ کرنے کی صلاحیت - پیشن گوئی ایک لچکدار اور ماڈیولر پلیٹ فارم مہیا کرتی ہے جس کے ذریعے ہم نے مختلف ریگریسر اور ماڈلز کی اقسام کا استعمال کرتے ہوئے 200 سے زیادہ تجربات کیے، جن میں روایتی اور ML دونوں ماڈلز شامل تھے۔ ٹیم نے ایک Kaizen اپروچ کی پیروی کی، پہلے کے ناکام ماڈلز سے سیکھتے ہوئے، اور ماڈلز کو صرف اس صورت میں تعینات کیا جب وہ کامیاب ہوں۔ تجربات کا سلسلہ جاری رہا جبکہ جیتنے والے ماڈلز کو تعینات کیا گیا۔
- انتظامیہ کی تبدیلی - ہم نے زمرہ کے مالکان سے پوچھا جو ایم ایل پر مبنی آرڈرنگ سسٹم پر اعتماد کرنے کے لیے کاروباری فیصلے کا استعمال کرتے ہوئے آرڈر دینے کے عادی تھے۔ ایک سیسٹیمیٹک اپنانے کے منصوبے نے اس بات کو یقینی بنایا کہ ٹول کے نتائج کو محفوظ کیا گیا، اور ٹول کو نظم و ضبط کے ساتھ چلایا گیا، تاکہ بھرے ہوئے اور موجودہ اسٹاک کی شناخت اور وقت پر ریکارڈ کیا جائے۔
تازہ پیداوار کے زمرے کی پیشن گوئی میں پیچیدگی
تازہ پیداوار کے زمرے کی طلب کی پیشن گوئی کرنا مشکل ہے کیونکہ تازہ مصنوعات کی شیلف لائف مختصر ہوتی ہے۔ زیادہ پیشن گوئی کے ساتھ، اسٹورز باسی یا زیادہ پکی مصنوعات فروخت کرتے ہیں، یا اپنی زیادہ تر انوینٹری کو پھینک دیتے ہیں (کہا جاتا ہے) shrinkage کے)۔ اگر کم پیشین گوئی کی جاتی ہے تو، مصنوعات اسٹاک سے باہر ہو سکتی ہیں، جو گاہک کے تجربے کو متاثر کرتی ہے۔ اگر وہ اپنی خریداری کی فہرست میں اہم آئٹمز تلاش نہیں کر پاتے ہیں تو صارفین اپنی کارٹ کو چھوڑ سکتے ہیں، کیونکہ وہ صرف چند مصنوعات کے لیے چیک آؤٹ لائنوں میں انتظار نہیں کرنا چاہتے۔ اس پیچیدگی میں اضافہ کرنے کے لیے، MRL کے پاس اپنی 600 سے زیادہ سپر مارکیٹوں میں بہت سے SKUs ہیں، جو 6,000 سے زیادہ اسٹور-SKU امتزاج کا باعث بنتے ہیں۔
2019 کے آخر تک، MRL ہر اسٹور-SKU امتزاج کے لیے پیشن گوئی کے ماڈل بنانے کے لیے روایتی شماریاتی طریقے استعمال کر رہا تھا، جس کے نتیجے میں درستگی 40% تک کم تھی۔ پیشن گوئی کو متعدد انفرادی ماڈلز کے ذریعے برقرار رکھا گیا تھا، جس سے یہ کمپیوٹیشنل اور آپریشنل طور پر مہنگا ہو گیا تھا۔
تقرری کا آرڈر دینے کے لیے پیشن گوئی کا مطالبہ
2020 کے اوائل میں، MRL اور Ganit نے تازہ زمرہ، جسے پھل اور سبزیاں (F&V) کہا جاتا ہے، کی پیشن گوئی کی درستگی کو مزید بہتر بنانے اور سکڑنے کو کم کرنے کے لیے مل کر کام کرنا شروع کیا۔
گنیت نے MRL کو اپنے مسئلے کو دو حصوں میں تقسیم کرنے کا مشورہ دیا:
- ہر اسٹور-SKU امتزاج کے لیے پیشن گوئی کی طلب
- آرڈر کی مقدار کا حساب لگائیں (انڈینٹ)
ہم مندرجہ ذیل حصوں میں ہر پہلو کی مزید تفصیل میں جاتے ہیں۔
پیشگوئی کا مطالبہ
اس سیکشن میں، ہم ہر اسٹور-SKU امتزاج کے لیے پیشن گوئی کی مانگ کے اقدامات پر تبادلہ خیال کرتے ہیں۔
ڈیمانڈ کے ڈرائیوروں کو سمجھیں۔
گنیت کی ٹیم نے پہلے ان عوامل کو سمجھ کر اپنا سفر شروع کیا جنہوں نے دکانوں میں مانگ کو بڑھایا۔ اس میں سائٹ پر متعدد دکانوں کے دورے، زمرہ کے مینیجرز کے ساتھ بات چیت، اور سپر مارکیٹ کے سی ای او کے ساتھ کیڈنس میٹنگز کے ساتھ ساتھ کئی دیگر پہلوؤں جیسے موسمی، اسٹاک آؤٹ، سماجی، اقتصادی، اور میکرو اکنامک عوامل پر گنیت کی اپنی اندرون خانہ پیش گوئی کی مہارت شامل تھی۔ .
اسٹور کے دورے کے بعد، F&V کی طلب پر ان کے اثرات کا مطالعہ کرنے کے لیے متعدد عوامل پر تقریباً 80 مفروضے وضع کیے گئے۔ ٹیم نے تقاضوں اور متعلقہ عوامل جیسے تہوار کی تاریخیں، موسم، پروموشنز، اور بہت کچھ کے درمیان تعلق قائم کرنے کے لیے باہمی تعلق، دو متغیر اور غیر متغیر تجزیہ، اور شماریاتی اہمیت کے ٹیسٹ (طالب علم کا ٹی ٹیسٹ، Z ٹیسٹ) جیسی تکنیکوں کا استعمال کرتے ہوئے جامع مفروضوں کی جانچ کی۔ .
ڈیٹا کی تقسیم
ٹیم نے ایک دانے دار ماڈل تیار کرنے پر زور دیا جو ہر دن کے لیے اسٹور-SKU امتزاج کی درست پیش گوئی کر سکے۔ فروخت کی شراکت اور پیشن گوئی کی آسانی کا ایک مجموعہ ABC-XYZ فریم ورک کے طور پر بنایا گیا تھا، جس میں ABC فروخت کی شراکت کی نشاندہی کرتا ہے (A سب سے زیادہ ہے) اور XYZ پیشین گوئی کی آسانی کی نشاندہی کرتا ہے (Z سب سے کم ہے)۔ ماڈل کی تعمیر کے لیے، توجہ کی پہلی سطر سٹور-SKU کے امتزاج پر تھی جن کی فروخت میں بہت زیادہ شراکت تھی اور ان کی پیش گوئی کرنا سب سے مشکل تھا۔ یہ اس بات کو یقینی بنانے کے لیے کیا گیا تھا کہ پیشن گوئی کی درستگی کو بہتر بنانے سے زیادہ سے زیادہ کاروباری اثر پڑے۔
ڈیٹا ٹریٹمنٹ
MRL کا ٹرانزیکشن ڈیٹا روایتی پوائنٹ آف سیل ڈیٹا کی طرح تشکیل دیا گیا تھا، جس میں موبائل نمبر، بل نمبر، آئٹم کوڈ، اسٹور کوڈ، تاریخ، بل کی مقدار، وصول شدہ قیمت، اور ڈسکاؤنٹ ویلیو شامل تھے۔ ٹیم نے ماڈل بنانے کے لیے گزشتہ 2 سالوں سے روزانہ لین دین کا ڈیٹا استعمال کیا۔ تاریخی اعداد و شمار کا تجزیہ کرنے سے دو چیلنجوں کی شناخت میں مدد ملی:
- متعدد لاپتہ اقدار کی موجودگی
- کچھ دنوں میں بل کی سطح پر انتہائی زیادہ یا کم فروخت ہوئی، جس سے اعداد و شمار میں آؤٹ لیرز کی موجودگی کا اشارہ ملتا ہے۔
لاپتہ ویلیو ٹریٹمنٹ
گمشدہ اقدار میں گہرے غوطے نے وجوہات کی نشاندہی کی جیسے اسٹور میں کوئی اسٹاک دستیاب نہیں ہے (سپلائی نہیں ہے یا سیزن میں نہیں ہے) اور منصوبہ بند تعطیلات یا بیرونی رکاوٹوں (جیسے علاقائی یا قومی بند، یا تعمیراتی کام) کی وجہ سے اسٹورز بند ہیں۔ گمشدہ اقدار کو 0 سے بدل دیا گیا تھا، اور ماڈل میں مناسب ریگریسر یا جھنڈے شامل کیے گئے تھے تاکہ ماڈل مستقبل میں ہونے والے کسی بھی واقعے کے لیے اس سے سیکھ سکے۔
بیرونی علاج
ٹیم نے سب سے زیادہ دانے دار بل کی سطح پر باہر جانے والوں کے ساتھ سلوک کیا، جس نے اس بات کو یقینی بنایا کہ لیکویڈیشن، بلک خرید (B2B) اور خراب معیار جیسے عوامل پر غور کیا گیا۔ مثال کے طور پر، بل کی سطح کے علاج میں ایک دن کی سطح پر ہر اسٹور-SKU امتزاج کے لیے KPI کا مشاہدہ کرنا شامل ہو سکتا ہے، جیسا کہ درج ذیل گراف میں ہے۔
اس کے بعد ہم ان تاریخوں کو جھنڈا لگا سکتے ہیں جن پر غیر معمولی طور پر زیادہ مقدار کو آؤٹ لیئرز کے طور پر فروخت کیا جاتا ہے، اور ان شناخت شدہ آؤٹ لیرز کی گہرائی میں غوطہ لگا سکتے ہیں۔ مزید تجزیہ سے پتہ چلتا ہے کہ یہ آؤٹ لیرز پہلے سے منصوبہ بند ادارہ جاتی خریداری ہیں۔
ان بل لیول آؤٹ لیرز کو پھر اس تاریخ کے لیے زیادہ سے زیادہ سیلز کی مقدار کے ساتھ محدود کر دیا جاتا ہے۔ درج ذیل گراف بل کی سطح کی طلب میں فرق کو ظاہر کرتے ہیں۔
پیشن گوئی کا عمل
ٹیم نے پیشن گوئی کا انتخاب کرنے سے پہلے متعدد پیشن گوئی کی تکنیکوں کا تجربہ کیا جیسے ٹائم سیریز کے ماڈلز، ریگریشن پر مبنی ماڈلز، اور گہری سیکھنے کے ماڈلز۔ پیشن گوئی کو منتخب کرنے کی بنیادی وجہ کارکردگی میں فرق تھا جب XY بالٹی میں Z بالٹی کے مقابلے میں پیشن گوئی کی درستگیوں کا موازنہ کیا گیا، جس کی پیش گوئی کرنا سب سے مشکل تھا۔ اگرچہ زیادہ تر روایتی تکنیکوں نے XY بالٹی میں اعلیٰ درستگی فراہم کی ہے، لیکن پیشن گوئی میں صرف ML الگورتھم نے دوسرے ماڈلز کے مقابلے میں 10% اضافی درستگی فراہم کی۔ یہ بنیادی طور پر پیشن گوئی کی دیگر SKUs (XY) پیٹرن سیکھنے اور ان سیکھنے کو Z بالٹی میں انتہائی غیر مستحکم اشیاء پر لاگو کرنے کی صلاحیت کی وجہ سے تھا۔ AutoML کے ذریعے، Forecast DeepAR+ الگورتھم فاتح رہا اور اسے پیشن گوئی کے ماڈل کے طور پر منتخب کیا گیا۔
پیشن گوئی کی درستگی کو مزید بہتر بنانے کے لیے اعادہ کرنا
ٹیم کی جانب سے ڈیپ AR+ کو جیتنے والے الگورتھم کے طور پر شناخت کرنے کے بعد، انہوں نے درستگی کو مزید بہتر بنانے کے لیے اضافی خصوصیات کے ساتھ کئی تجربات کیے۔ انہوں نے ایک چھوٹے نمونے پر ایک سے زیادہ تکرار کی جس میں مختلف امتزاجات جیسے خالص ہدف ٹائم سیریز کے اعداد و شمار (آؤٹلیئر ٹریٹمنٹ کے ساتھ اور اس کے بغیر)، تہواروں یا اسٹور کی بندش جیسے رجعت کار، اور اسٹور-آئٹم میٹا ڈیٹا (اسٹور-آئٹم درجہ بندی) کے لیے بہترین امتزاج کو سمجھنے کے لیے۔ پیشن گوئی کی درستگی کو بہتر بنانا۔ آؤٹ لیئر ٹریٹڈ ٹارگٹ ٹائم سیریز کے ساتھ ساتھ سٹور آئٹم میٹا ڈیٹا اور ریگریسرز کے امتزاج نے سب سے زیادہ درستگی لوٹائی۔ حتمی پیشن گوئی حاصل کرنے کے لیے اسے 6,230 سٹور-SKU امتزاج کے اصل سیٹ تک بڑھا دیا گیا۔
آرڈر کی مقدار کا حساب کتاب
ٹیم کی جانب سے پیشن گوئی کا ماڈل تیار کرنے کے بعد، فوری طور پر اگلا مرحلہ یہ فیصلہ کرنے کے لیے استعمال کرنا تھا کہ کتنی انوینٹری خریدنی ہے اور آرڈر دینا ہے۔ آرڈر کی پیداوار پیشن گوئی کی طلب، ہاتھ میں موجود موجودہ اسٹاک، اور اسٹور میں موجود دیگر متعلقہ عوامل سے متاثر ہوتی ہے۔
مندرجہ ذیل فارمولے نے آرڈر کی تعمیر کو ڈیزائن کرنے کی بنیاد کے طور پر کام کیا۔
ٹیم نے خودکار آرڈرنگ سسٹم کے لیے دیگر انڈینٹ ایڈجسٹمنٹ پیرامیٹرز پر بھی غور کیا، جیسے کم از کم آرڈر کی مقدار، سروس یونٹ فیکٹر، کم سے کم بند ہونے والا اسٹاک، کم از کم ڈسپلے اسٹاک (پلانگرام کی بنیاد پر)، اور فل ریٹ ایڈجسٹمنٹ، اس طرح مشین اور انسان کے درمیان فرق کو ختم کرنا۔ ذہانت
کم پیشین گوئی اور زیادہ پیشین گوئی کے منظرناموں میں توازن رکھیں
سٹاک آؤٹ اور کھوئی ہوئی فروخت کی لاگت کے ساتھ سکڑنے کی آؤٹ پٹ لاگت کو بہتر بنانے کے لیے، ٹیم نے پیشن گوئی کے کوانٹائل فیچر کو ماڈل سے پیشن گوئی کے ردعمل کو منتقل کرنے کے لیے استعمال کیا۔
ماڈل ڈیزائن میں، p40، p50، اور p60 کوانٹائل پر تین پیشین گوئیاں تیار کی گئی تھیں، جن میں p50 بنیادی کوانٹائل تھا۔ کوانٹائل کا انتخاب ماضی قریب میں اسٹورز میں ذخیرہ اندوزی اور ضیاع پر مبنی پروگرام کیا گیا تھا۔ مثال کے طور پر، اگر کسی خاص اسٹور-SKU مجموعہ کو پچھلے 3 دنوں میں مسلسل اسٹاک آؤٹ کا سامنا کرنا پڑا تو زیادہ مقداریں خود بخود منتخب کی گئیں، اور اگر اسٹور-SKU نے زیادہ ضیاع کا مشاہدہ کیا ہو تو کم مقداریں خود بخود منتخب کی گئیں۔ کوانٹائل میں اضافہ اور کمی کی مقدار اسٹور کے اندر اسٹاک آؤٹ یا سکڑنے کی شدت پر مبنی تھی۔
اوریکل ERP کے ذریعے خودکار آرڈر پلیسمنٹ
MRL نے پیشن گوئی اور انڈینٹ آرڈرنگ سسٹمز کو اوریکل کے ERP سسٹم کے ساتھ مربوط کر کے پروڈکشن میں تعینات کیا، جسے MRL آرڈر پلیسمنٹ کے لیے استعمال کرتا ہے۔ مندرجہ ذیل خاکہ حتمی فن تعمیر کی وضاحت کرتا ہے۔
آرڈرنگ سسٹم کو پروڈکشن میں تعینات کرنے کے لیے، تمام MRL ڈیٹا کو AWS میں منتقل کر دیا گیا تھا۔ ٹیم نے لائیو ٹیبلز کو منتقل کرنے کے لیے ETL جابز ترتیب دیں۔ ایمیزون ریڈ شفٹ (کاروباری ذہانت کے کام کے لیے ڈیٹا گودام)، لہذا ایمیزون ریڈ شفٹ مستقبل کے تمام ڈیٹا پروسیسنگ کے لیے ان پٹ کا واحد ذریعہ بن گیا۔
پورے ڈیٹا فن تعمیر کو دو حصوں میں تقسیم کیا گیا تھا:
- پیشن گوئی انجن:
- استعمال شدہ تاریخی ڈیمانڈ ڈیٹا (1 دن کی ڈیمانڈ وقفہ) Amazon Redshift میں موجود ہے۔
- دیگر ریگرسر ان پٹس جیسے آخری بل کا وقت، قیمت، اور تہواروں کو Amazon Redshift میں برقرار رکھا گیا تھا۔
- An ایمیزون لچکدار کمپیوٹ کلاؤڈ (ایمیزون ای سی 2) مثال کو اپنی مرضی کے مطابق ازگر کے اسکرپٹس کے ساتھ ترتیب دیا گیا تھا تاکہ لین دین، ریگریسرز اور دیگر میٹا ڈیٹا کو حل کیا جا سکے۔
- پوسٹ ڈیٹا رینگلنگ، ڈیٹا کو ایک میں منتقل کر دیا گیا تھا۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) پیشن گوئی پیدا کرنے کے لیے بالٹی (تمام اسٹور-SKU امتزاج کے لیے T+2 پیش گوئیاں)
- حتمی پیشن گوئی کی پیداوار S3 بالٹی میں ایک علیحدہ فولڈر میں محفوظ کی گئی تھی۔
- آرڈر (انڈینٹ) انجن:
- پیشن گوئی کو آرڈرز میں تبدیل کرنے کے لیے درکار تمام ڈیٹا (جیسے ہاتھ پر موجود اسٹاک، ذخیرہ کرنے کے لیے موصول ہونے والی مقدار، وصول کرنے کے لیے دیے گئے آرڈرز کے آخری 2 دن، سروس یونٹ فیکٹر، اور پلانوگرام پر مبنی کم از کم افتتاحی اور اختتامی اسٹاک) Amazon Redshift میں محفوظ اور برقرار رکھا گیا تھا۔
- آرڈر کی مقدار کا حساب EC2 مثالوں پر چلنے والی Python اسکرپٹس کے ذریعے کیا گیا۔
- پھر آرڈرز کو اوریکل کے ERP سسٹم میں منتقل کر دیا گیا، جس نے دکانداروں کو آرڈر دیا۔
پورے آرڈرنگ سسٹم کو متعدد کلیدی حصوں میں جوڑا گیا تھا۔ ٹیم نے اپاچی ایئر فلو کے شیڈولر ای میل نوٹیفیکیشنز کو ہر عمل کے لیے ترتیب دیا تاکہ متعلقہ اسٹیک ہولڈرز کو کامیابی سے مکمل ہونے یا ناکامی پر مطلع کیا جا سکے، تاکہ وہ فوری کارروائی کر سکیں۔ ERP سسٹم کے ذریعے دیے گئے آرڈرز کو پھر اگلے دنوں کے آرڈرز کا حساب لگانے کے لیے Amazon Redshift ٹیبل پر منتقل کر دیا گیا۔ AWS اور ERP سسٹمز کے درمیان انضمام کی آسانی صفر انسانی مداخلت کے ساتھ ایک مکمل اینڈ ٹو اینڈ خودکار آرڈرنگ سسٹم کا باعث بنی۔
نتیجہ
ایم ایل پر مبنی نقطہ نظر نے ایم آر ایل کے لیے ڈیٹا کی حقیقی طاقت کو کھول دیا۔ پیشن گوئی کے ساتھ، ہم نے مختلف اسٹور فارمیٹس کے لیے دو قومی ماڈلز بنائے، جیسا کہ 1,000 سے زیادہ روایتی ماڈلز جو ہم استعمال کر رہے تھے۔
پیشن گوئی وقت کی سیریز میں بھی سیکھتی ہے۔ پیشن گوئی کے اندر ML الگورتھم اسٹور-SKU امتزاج کے درمیان کراس لرننگ کو فعال کرتے ہیں، جو پیشن گوئی کی درستگی کو بہتر بنانے میں مدد کرتا ہے۔
مزید برآں، پیشن گوئی آپ کو متعلقہ ٹائم سیریز اور آئٹم میٹا ڈیٹا شامل کرنے کی اجازت دیتی ہے، جیسے کہ وہ گاہک جو اپنی ٹوکری میں اشیاء کے مرکب کی بنیاد پر ڈیمانڈ سگنل بھیجتے ہیں۔ پیشن گوئی تمام آنے والی طلب کی معلومات پر غور کرتی ہے اور ایک ہی ماڈل پر پہنچتی ہے۔ روایتی ماڈلز کے برعکس، جہاں متغیرات کا اضافہ اوور فٹنگ کا باعث بنتا ہے، پیشن گوئی ماڈل کو بہتر بناتی ہے، جو کاروباری تناظر کی بنیاد پر درست پیشن گوئیاں فراہم کرتی ہے۔ MRL نے شیلف لائف، پروموشنز، قیمت، اسٹورز کی قسم، متمول کلسٹر، مسابقتی اسٹور، اور اسٹورز تھرو پٹ جیسے عوامل کی بنیاد پر مصنوعات کی درجہ بندی کرنے کی صلاحیت حاصل کی۔ ہم تجویز کرتے ہیں کہ آپ اپنے سپلائی چین آپریشنز کو بہتر بنانے کے لیے Amazon Forecast کو آزمائیں۔ آپ Amazon Forecast کے بارے میں مزید جان سکتے ہیں۔ یہاں. Ganit اور ہمارے حل کے بارے میں مزید جاننے کے لیے، پر رابطہ کریں۔ info@ganitinc.com مزید جاننے کے لئے.
اس پوسٹ میں مواد اور آراء تیسرے فریق کے مصنف کی ہیں اور AWS اس پوسٹ کے مواد یا درستگی کے لیے ذمہ دار نہیں ہے۔
مصنفین کے بارے میں
سپرتیم بنرجی۔ ہے چیف ٹرانسفارمیشن آفیسر at مزید خوردہ محدود وہ ایک تجربہ کار پیشہ ور ہے جس کے پاس وینچر کیپیٹل اور پرائیویٹ ایکویٹی صنعتوں میں کام کرنے کی ایک ثابت شدہ تاریخ ہے۔ وہ KPMG کے مشیر تھے اور AT Kearney اور India Equity Partners جیسی تنظیموں کے ساتھ کام کرتے تھے۔ اس نے انڈین اسکول آف بزنس، حیدرآباد سے مالیات پر مرکوز ایم بی اے کیا ہے۔
شیو پرساد کے ٹی ہے شریک بانی اور سی ای او at گانٹ انکارپوریٹڈ اس کے پاس امریکہ، آسٹریلیا، ایشیا اور ہندوستان میں ڈیٹا سائنس کا استعمال کرتے ہوئے ٹاپ لائن اور باٹم لائن اثر فراہم کرنے کا 17+ سال کا تجربہ ہے۔ اس نے Walmart، Sam's Club، Pfizer، Staples، Coles، Lenovo، اور Citibank جیسی کمپنیوں میں CXOs کو مشورہ دیا ہے۔ انہوں نے ایس پی جین، ممبئی سے ایم بی اے اور این آئی ٹی کے سورتھکل سے انجینئرنگ میں بیچلر کی ڈگری حاصل کی ہے۔
گورو ایچ کانکریا ہے سینئر ڈیٹا سائنسدان at گانٹ انکارپوریٹڈ اس کے پاس ریٹیل، سی پی جی، اور بی ایف ایس آئی ڈومینز میں تنظیموں کو ڈیٹا پر مبنی فیصلے کرنے میں مدد کرنے کے لیے حل تیار کرنے اور لاگو کرنے کا 6 سال سے زیادہ کا تجربہ ہے۔ انہوں نے VIT یونیورسٹی، ویلور سے بیچلر کی ڈگری حاصل کی ہے۔
