Оптимизация юнит-экономики для e-grocery компании

Как Прогностический анализ помог оптимизировать количество смен сборщиков. 

 Мы собрали данные о конкурентах клиента и определили управление сборщиками в качестве основного источника улучшения.

Наши решения были направлены на две цели.

Во-первых, мы хотели лучше предсказывать объем работы (в основном, количество заказов), необходимой в данном часу.

Во-вторых, мы пытались сделать работу более эффективной.

Первая цель измерялась в стандартных терминах смещения и разброса. В частности, мы выбрали метрики MAE и WAPE для этого.

Вторая цель измерялась как среднее время на сбор заказа.

Для более точного прогнозирования объема заказов мы изменили существующий подход в таблицах Excel на более сложную модель, основанную на машинном обучении. Это позволило нам учитывать специальные случаи, такие как праздники, и быстрее реагировать на измененные условия. После множества итераций наш клиент смог предсказывать объем заказов на 20% лучше, чем это делалось ранее.

Для второй цели мы тесно сотрудничали со сборщиками и спрашивали их мнение о том, как помочь им стать более эффективными. Мы выяснили, что карта торговой площади очень помогает менее опытным сборщикам, поэтому мы построили ее на основе журналов сборщиков. Для более опытных сборщиков мы обнаружили, что алгоритмы оптимизации могут помочь только с большими заказами, имеющими сложные оптимальные маршруты. Другим решением было группирование заказов для одного сборщика для их параллельного сбора. Все вышеуказанное позволило нам снизить время, необходимое для сбора заказа, на 25%.

После тестирования нашего POC мы реализовали модель в виде веб-приложения, которое строит маршруты для поступающих заказов. Мы развернули это приложение на облачном кластере Kubernetes, так что клиент платит только за реальные заказы, которые маршрутизированы.

Этот проект был одним из самых сложных для консультантов Tez Data и занял 3 квартала. Мы и наш клиент многое узнали, пройдя этот путь.